一日一技：在Golang下如何相对简单地开发爬虫？

未闻Code · · 522 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。

一日一技：在Golang下如何相对简单地开发爬虫？

摄影：产品经理
墨鱼和鱿鱼做的香肠
我们说，语言决定思维方式。要掌握一种新的思维方式，学习一门新语言是最直接的方法。
一日一技：在Golang下如何相对简单地开发爬虫？
我之前一直用 Python 来写爬虫，现在，尝试用 Golang 来实现一个简单的爬虫，请求网址，然后使用 XPath 提取数据。

这个爬虫项目使用 Go Mod 来管理依赖，执行下面的命令创建爬虫项目文件夹：

mkdir crawler_go
cd crawler_go
go mod init crawler_go

运行效果如下图所示：
一日一技：在Golang下如何相对简单地开发爬虫？

这3条命令会在crawler_go文件夹中创建一个 go.mod 的文件。然后，我们再创建一个爬虫文件crawler.go：
一日一技：在Golang下如何相对简单地开发爬虫？

我们知道，虽然 Python 自带了一个网络请求库urllib，但是我们一般会使用requests来请求网络。因为这个库才是Http for human。在 Golang 里面请求网络，也有一个库，叫做req[1]。我们在代码里面引入它，并获取一个网址。这次使用的是爬虫练习网站的地址：Chapter11_example_2[2]。

编写如下代码：

package main

import (
    "fmt"

    "github.com/imroc/req"
)

func main() {
    url := "http://exercise.kingname.info/exercise_xpath_2.html"
    resp, _ := req.Get(url)
    fmt.Println(resp.String())
}

运行效果如下图所示：
一日一技：在Golang下如何相对简单地开发爬虫？

使用 Go Mod 的好处，就在于当我们把一个新的第三方库添加到import语句后，第一次运行代码时，Go 会自动下载这个库。

需要说明一下，在代码第11行，resp, _:= req.Get(url)，这里的下划线实际上是用来接收另外一个参数err，但是由于我不需要使用这个参数，所以可以使用下划线代替。

使用req库来请求网址，实际上也非常容易。那么接下来，我们想办法在 Golang 里面使用 XPath，从源代码中提取数据。这次用到的库叫做htmlquery[3]。

相比在 Python 中使用 lxml，在 Golang 下面使用 htmlquery 多多少少还是要麻烦一些。我们来看看如何提取练习页面的标题：

package main

import (
    "fmt"
    "strings"

    "github.com/antchfx/htmlquery"
    "github.com/imroc/req"
)

func main() {
    url := "http://exercise.kingname.info/exercise_xpath_2.html"
    resp, _ := req.Get(url)
    selector, _ := htmlquery.Parse(strings.NewReader(resp.String()))
    title := htmlquery.FindOne(selector, "//title/text()")
    fmt.Println("标题为：", htmlquery.InnerText(title))
}

运行效果如下图所示：
一日一技：在Golang下如何相对简单地开发爬虫？

从代码中可以看到，在 Golang 中使用htmlquery，每一次都要把节点传入 htmlquery 的某个函数里面。不能像 Python 里面一样通过链式调用对象的方法来获取数据。

现在我们来获取练习页上面的文字内容：
一日一技：在Golang下如何相对简单地开发爬虫？

需要注意的是，第二条项目只有名字但是没有价格，我们需要在代码里面兼容这种情况：

package main

import (
    "fmt"
    "strings"

    "github.com/antchfx/htmlquery"
    "github.com/imroc/req"
)

func main() {
    url := "http://exercise.kingname.info/exercise_xpath_2.html"
    resp, _ := req.Get(url)
    selector, _ := htmlquery.Parse(strings.NewReader(resp.String()))
    itemList := htmlquery.Find(selector, `//ul[@class="item"]`)
    for _, item := range itemList {
        nameNode := htmlquery.FindOne(item, `li[@class="name"]/text()`)
        nameText := htmlquery.InnerText(nameNode)
        priceNode := htmlquery.FindOne(item, `li[@class="price"]/text()`)
        var priceText string
        if priceNode != nil {
            priceText = htmlquery.InnerText(priceNode)
        } else {
            priceText = "0"
        }
        fmt.Println("商品名称：", nameText, "商品价格：", priceText)
    }
}

运行效果如下图所示：
一日一技：在Golang下如何相对简单地开发爬虫？

在 Golang 里面使用 XPath，还是比 Python 中要麻烦不少。这一方面是因为 Python 是面向对象的语言，而 Golang 更像是面向过程的语言。另一方面是因为 Golang 的第三方库还是不如 Python 丰富。实际上是有办法可以让 Golang 的 XPath 库达到 lxml 这种易用性的。