网站邮箱email地址定向采集核心代码分享

吉山数据 · · 940 次点击 · · 开始浏览    
这是一个创建于 的文章,其中的信息可能已经有所发展或是发生改变。

邮箱采集demo:http://www.jsanai.com/emailco...
原理:

1、根据要采集的url地址,获取页面html内容,然后采用正则匹配出页面的url列表、邮箱地址列表。

2、获取到url列表及邮箱后分两个异步线程:

①保存邮箱地址;

②分析采集子页面url的邮箱地址;

核心源码(golang):

//采集网站地址入口方法
func CollectEmail(hosturl string) (EmailObj, []string, error) {
    emailObj := new(EmailObj)
    var inhost []string
    //获取主域名
    uparse, err := url.Parse(hosturl)
    if err != nil {
        return *emailObj, inhost, err
    }
    emailObj.Surl = hosturl
    //
    bodystr, err := HttpGetV2(hosturl)
    if err != nil {
        return *emailObj, inhost, errors.New("get request error")
    }
    //是否是gbk编码
    pos := strings.Index(bodystr, "charset=gb")
    pos2 := strings.Index(bodystr, "bg2312")
    if pos != -1 || pos2 != -1 {
        decodeBytes, err := simplifiedchinese.GB18030.NewDecoder().Bytes([]byte(bodystr))
        if err != nil {
            return *emailObj, inhost, errors.New("simplifiedchinese coding change error")
        }
        bodystr = string(decodeBytes)
    }
    //获取邮箱地地址
    emailObj.Emails = append(emailObj.Emails, matchEmail(bodystr)...)
    //获取联系手机
    emailObj.Phones = append(emailObj.Phones, matchPhone(bodystr)...)
    //获取内页链接列表
    matchUrls := matchUrls(bodystr)
    for _, item := range matchUrls {
        itemparse, err := url.Parse(item)
        if err != nil {
            continue
        }
        if strings.Index(itemparse.Path, ".js") != -1 || strings.Index(itemparse.Path, ".css") != -1 {
            continue
        }
        if itemparse.Host == uparse.Host {
            inhost = append(inhost, item)
        }
        if itemparse.Scheme != "http" && itemparse.Scheme != "https" {
            if strings.Index(itemparse.Path, "/") == 0 {
                inhost = append(inhost, uparse.Scheme+"://"+uparse.Host+itemparse.Path)
            } else {
                inhost = append(inhost, uparse.Scheme+"://"+uparse.Host+"/"+itemparse.Path)
            }

            continue
        }
    }
    //获取内页email
    inhost = RemoveRepeatedElement(inhost)
    emailObj.Emails = RemoveRepeatedElement(emailObj.Emails)
    return *emailObj, inhost, nil
}
func matchEmail(str string) (email []string) {
    var emailList []string
    //re, _ := regexp.Compile("\\<style[\\S\\s]+?\\</style\\>")
    re, _ := regexp.Compile(`<style[\S\s]+?</style>`)
    str = re.ReplaceAllString(str, "")
    //re, _ = regexp.Compile("\\<script[\\S\\s]+?\\</script\\>")
    re, _ = regexp.Compile(`<script[\S\s]+?</script>`)
    str = re.ReplaceAllString(str, "")
    //替换html标签
    re, _ = regexp.Compile(`<[^>]*?>`)
    str = re.ReplaceAllString(str, "")
    //只匹配com com.cn cn org org.cn net
    reg := regexp.MustCompile(`\w+[@|#]{1}\w+\.(com|cn|org|net|org\.cn|com\.cn)`)
    match := reg.FindAllStringSubmatch(str, -1)
    for _, matched := range match {
        emailList = append(emailList, strings.Replace(strings.ToLower(matched[0]), "#", "@", -1))
    }
    return emailList[:]
}
func matchUrls(str string) (urls []string) {
    var urlList []string
    reg := regexp.MustCompile("<a[^>]*?href=[\"|']+([^\"]*?)[\"|'][^>]*?>[^<]*?</a>")
    match := reg.FindAllStringSubmatch(str, -1)
    for _, matched := range match {
        urlList = append(urlList, matched[1])
    }
    return urlList[:]
}

核心代码使用golang实现,有近6个月的实际使用及改进时间,请放心。
其中涉及到爬虫相关内容,由于当前大部分网站都有反爬虫协议,请大家在使用的时候多加注意


有疑问加站长微信联系(非本文作者)

本文来自:Segmentfault

感谢作者:吉山数据

查看原文:网站邮箱email地址定向采集核心代码分享

入群交流(和以上内容无关):加入Go大咖交流群,或添加微信:liuxiaoyan-s 备注:入群;或加QQ群:692541889

940 次点击  ∙  1 赞  
加入收藏 微博
暂无回复
添加一条新回复 (您需要 登录 后才能回复 没有账号 ?)
  • 请尽量让自己的回复能够对别人有帮助
  • 支持 Markdown 格式, **粗体**、~~删除线~~、`单行代码`
  • 支持 @ 本站用户;支持表情(输入 : 提示),见 Emoji cheat sheet
  • 图片支持拖拽、截图粘贴等方式上传