用go语言爬取珍爱网 | 第三回

mb5fcdf2add9b6a · · 1670 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。

用go语言爬取珍爱网 | 第三回

前两节我们获取到了城市的URL和城市名,今天我们来解析用户信息。

用go语言爬取珍爱网 | 第一回
用go语言爬取珍爱网 | 第二回

用go语言爬取珍爱网 | 第三回

爬虫的算法:

我们要提取返回体中的城市列表,需要用到城市列表解析器;
需要把每个城市里的所有用户解析出来,需要用到城市解析器;
还需要把每个用户的个人信息解析出来,需要用到用户解析器。
用go语言爬取珍爱网 | 第三回

爬虫整体架构:

Seed把需要爬的request送到engine,engine负责将request里的url送到fetcher去爬取数据,返回utf-8的信息,然后engine将返回信息送到解析器Parser里解析有用信息,返回更多待请求requests和有用信息items,任务队列用于存储待请求的request,engine驱动各模块处理数据,直到任务队列为空。
用go语言爬取珍爱网 | 第三回

代码实现:

按照上面的思路,设计出城市列表解析器citylist.go代码如下:

package parser

import (
 "crawler/engine"
 "regexp"
 "log"
)

const (
 //<a href="http://album.zhenai.com/u/1361133512" target="_blank">怎么会迷上你</a>
 cityReg = `<a href="(http://album.zhenai.com/u/[0-9]+)"[^>]*>([^<]+)</a>`
)

func ParseCity(contents []byte) engine.ParserResult {
 compile := regexp.MustCompile(cityReg)

 submatch := compile.FindAllSubmatch(contents, -1)

 //这里要把解析到的每个URL都生成一个新的request

 result := engine.ParserResult{}

 for _, m := range submatch {
   name := string(m[2])
   log.Printf("UserName:%s URL:%s\n", string(m[2]), string(m[1]))

   //把用户信息人名加到item里
   result.Items = append(result.Items, name)

   result.Requests = append(result.Requests,
     engine.Request{
       //用户信息对应的URL,用于之后的用户信息爬取
       Url : string(m[1]),
       //这个parser是对城市下面的用户的parse
       ParserFunc : func(bytes []byte) engine.ParserResult {
         //这里使用闭包的方式;这里不能用m[2],否则所有for循环里的用户都会共用一个名字
         //需要拷贝m[2] ---- name := string(m[2])
         return ParseProfile(bytes, name)
       },
     })
 }

 return result
}

城市解析器city.go如下:

package parser

import (
 "crawler/engine"
 "regexp"
 "log"
)

const (
 //<a href="http://album.zhenai.com/u/1361133512" target="_blank">怎么会迷上你</a>
 cityReg = `<a href="(http://album.zhenai.com/u/[0-9]+)"[^>]*>([^<]+)</a>`
)

func ParseCity(contents []byte) engine.ParserResult {
 compile := regexp.MustCompile(cityReg)

 submatch := compile.FindAllSubmatch(contents, -1)

 //这里要把解析到的每个URL都生成一个新的request

 result := engine.ParserResult{}

 for _, m := range submatch {
   name := string(m[2])
   log.Printf("UserName:%s URL:%s\n", string(m[2]), string(m[1]))

   //把用户信息人名加到item里
   result.Items = append(result.Items, name)

   result.Requests = append(result.Requests,
     engine.Request{
       //用户信息对应的URL,用于之后的用户信息爬取
       Url : string(m[1]),
       //这个parser是对城市下面的用户的parse
       ParserFunc : func(bytes []byte) engine.ParserResult {
         //这里使用闭包的方式;这里不能用m[2],否则所有for循环里的用户都会共用一个名字
         //需要拷贝m[2] ---- name := string(m[2])
         return ParseProfile(bytes, name)
       },
     })
 }

 return result
}

用户解析器profile.go如下:

package parser

import (
 "crawler/engine"
 "crawler/model"
 "regexp"
 "strconv"
)

var (
 // <td><span class="label">年龄:</span>25岁</td>
 ageReg = regexp.MustCompile(`<td><span class="label">年龄:</span>([\d]+)岁</td>`)
 // <td><span class="label">身高:</span>182CM</td>
 heightReg = regexp.MustCompile(`<td><span class="label">身高:</span>(.+)CM</td>`)
 // <td><span class="label">月收入:</span>5001-8000元</td>
 incomeReg = regexp.MustCompile(`<td><span class="label">月收入:</span>([0-9-]+)元</td>`)
 //<td><span class="label">婚况:</span>未婚</td>
 marriageReg = regexp.MustCompile(`<td><span class="label">婚况:</span>(.+)</td>`)
 //<td><span class="label">学历:</span>大学本科</td>
 educationReg = regexp.MustCompile(`<td><span class="label">学历:</span>(.+)</td>`)
 //<td><span class="label">工作地:</span>安徽蚌埠</td>
 workLocationReg = regexp.MustCompile(`<td><span class="label">工作地:</span>(.+)</td>`)
 // <td><span class="label">职业: </span>--</td>
 occupationReg = regexp.MustCompile(`<td><span class="label">职业: </span><span field="">(.+)</span></td>`)
 //  <td><span class="label">星座:</span>射手座</td>
 xinzuoReg = regexp.MustCompile(`<td><span class="label">星座:</span><span field="">(.+)</span></td>`)
 //<td><span class="label">籍贯:</span>安徽蚌埠</td>
 hokouReg = regexp.MustCompile(`<td><span class="label">民族:</span><span field="">(.+)</span></td>`)
 // <td><span class="label">住房条件:</span><span field="">--</span></td>
 houseReg = regexp.MustCompile(`<td><span class="label">住房条件:</span><span field="">(.+)</span></td>`)
 // <td width="150"><span class="grayL">性别:</span>男</td>
 genderReg = regexp.MustCompile(`<td width="150"><span class="grayL">性别:</span>(.+)</td>`)

 // <td><span class="label">体重:</span><span field="">67KG</span></td>
 weightReg = regexp.MustCompile(`<td><span class="label">体重:</span><span field="">(.+)KG</span></td>`)
 //<h1 class="ceiling-name ib fl fs24 lh32 blue">怎么会迷上你</h1>
 //nameReg = regexp.MustCompile(`<h1 class="ceiling-name ib fl fs24 lh32 blue">([^\d]+)</h1>  `)
 //<td><span class="label">是否购车:</span><span field="">未购车</span></td>
 carReg = regexp.MustCompile(`<td><span class="label">是否购车:</span><span field="">(.+)</span></td>`)
)

func ParseProfile(contents []byte, name string) engine.ParserResult {

 profile := model.Profile{}

 age, err := strconv.Atoi(extractString(contents, ageReg))

 if err != nil {
   profile.Age = 0
 }else {
   profile.Age = age
 }

 height, err := strconv.Atoi(extractString(contents, heightReg))
 if err != nil {
   profile.Height = 0
 }else {
   profile.Height = height
 }

 weight, err := strconv.Atoi(extractString(contents, weightReg))
 if err != nil {
   profile.Weight = 0
 }else {
   profile.Weight = weight
 }

 profile.Income = extractString(contents, incomeReg)

 profile.Car = extractString(contents, carReg)

 profile.Education = extractString(contents, educationReg)
 profile.Gender = extractString(contents, genderReg)

 profile.Hokou = extractString(contents, hokouReg)
 profile.Income = extractString(contents, incomeReg)
 profile.Marriage = extractString(contents, marriageReg)
 profile.Name = name
 profile.Occupation = extractString(contents, occupationReg)
 profile.WorkLocation = extractString(contents, workLocationReg)
 profile.Xinzuo = extractString(contents, xinzuoReg)

 result := engine.ParserResult{
   Items: []interface{}{profile},
 }

 return result
}

//get value by reg from contents
func extractString(contents []byte, re *regexp.Regexp) string {

 m := re.FindSubmatch(contents)

 if len(m) > 0 {
   return string(m[1])
 } else {
   return ""
 }
}

engine代码如下:

package engine

import (
 "crawler/fetcher"
 "log"
)

func Run(seeds ...Request){

 //这里维持一个队列
 var requestsQueue []Request

 requestsQueue = append(requestsQueue, seeds...)

 for len(requestsQueue) > 0 {
   //取第一个
   r := requestsQueue[0]
   //只保留没处理的request
   requestsQueue = requestsQueue[1:]

   log.Printf("fetching url:%s\n", r.Url)
   //爬取数据
   body, err := fetcher.Fetch(r.Url)

   if err != nil {
     log.Printf("fetch url: %s; err: %v\n", r.Url, err)
     //发生错误继续爬取下一个url
     continue
   }

   //解析爬取到的结果
   result := r.ParserFunc(body)

   //把爬取结果里的request继续加到request队列
   requestsQueue = append(requestsQueue, result.Requests...)

   //打印每个结果里的item,即打印城市名、城市下的人名...
   for _, item := range result.Items {
     log.Printf("get item is %v\n", item)
   }
 }
}

Fetcher用于发起http get请求,这里有一点注意的是:珍爱网可能做了反爬虫限制手段,所以直接用http.Get(url)方式发请求,会报403拒绝访问;故需要模拟浏览器方式:

client := &http.Client{}
 req, err := http.NewRequest("GET", url, nil)
 if err != nil {
   log.Fatalln("NewRequest is err ", err)
   return nil, fmt.Errorf("NewRequest is err %v\n", err)
 }

 req.Header.Set("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36")

 //返送请求获取返回结果
 resp, err := client.Do(req)

最终fetcher代码如下:

package fetcher

import (
 "bufio"
 "fmt"
 "golang.org/x/net/html/charset"
 "golang.org/x/text/encoding"
 "golang.org/x/text/encoding/unicode"
 "golang.org/x/text/transform"
 "io/ioutil"
 "log"
 "net/http"
)

/**
爬取网络资源函数
*/
func Fetch(url string) ([]byte, error) {

 client := &http.Client{}
 req, err := http.NewRequest("GET", url, nil)
 if err != nil {
   log.Fatalln("NewRequest is err ", err)
   return nil, fmt.Errorf("NewRequest is err %v\n", err)
 }

 req.Header.Set("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36")

 //返送请求获取返回结果
 resp, err := client.Do(req)

 //直接用http.Get(url)进行获取信息,爬取时可能返回403,禁止访问
 //resp, err := http.Get(url)

 if err != nil {
   return nil, fmt.Errorf("Error: http Get, err is %v\n", err)
 }

 //关闭response body
 defer resp.Body.Close()

 if resp.StatusCode != http.StatusOK {
   return nil, fmt.Errorf("Error: StatusCode is %d\n", resp.StatusCode)
 }

 //utf8Reader := transform.NewReader(resp.Body, simplifiedchinese.GBK.NewDecoder())
 bodyReader := bufio.NewReader(resp.Body)
 utf8Reader := transform.NewReader(bodyReader, determineEncoding(bodyReader).NewDecoder())

 return ioutil.ReadAll(utf8Reader)
}

/**
确认编码格式
*/
func determineEncoding(r *bufio.Reader) encoding.Encoding {

 //这里的r读取完得保证resp.Body还可读
 body, err := r.Peek(1024)

 //如果解析编码类型时遇到错误,返回UTF-8
 if err != nil {
   log.Printf("determineEncoding error is %v", err)
   return unicode.UTF8
 }

 //这里简化,不取是否确认
 e, _, _ := charset.DetermineEncoding(body, "")
 return e
}

main方法如下:

package main

import (
 "crawler/engine"
 "crawler/zhenai/parser"
)

func main() {

 request := engine.Request{
   Url: "http://www.zhenai.com/zhenghun",
   ParserFunc: parser.ParseCityList,
 }

 engine.Run(request)
}

最终爬取到的用户信息如下,包括昵称、年龄、身高、体重、工资、婚姻状况等。
用go语言爬取珍爱网 | 第三回

如果你想要哪个妹子的照片,可以点开url查看,然后打招呼进一步发展。

至此单任务版的爬虫就做完了,后面我们将对单任务版爬虫做性能分析,然后升级为多任务并发版,把爬取到的信息存到ElasticSearch中,在页面上查询,敬请期待吧,项目地址在github上,阅读原文 可查看。


有疑问加站长微信联系(非本文作者)

本文来自:51CTO博客

感谢作者:mb5fcdf2add9b6a

查看原文:用go语言爬取珍爱网 | 第三回

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

1670 次点击  
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