具体实现过程:
1、开一个协程从待抓取url中获取url,进行网页获取,网页解析,然后入库;
2、开另一个协程从已抓取url中获取url,进行获取其他url并且放入待抓取url队列中;
网页解析
在golang中,解析网页有几个比较好用的第三方库。比如:github.com/opesun/goquery,github.com/PuerkitoBio/goquery等等。
github.com/PuerkitoBio/goquery功能强大,但在使用的时候,编译不过,当时比较懒就不用了。而使用github.com/opesun/goquery,该插件是在解析html节点时,使用jq类似的语法。下面介绍几个列子:
content,err:=goquery.ParseUrl(url) if err != nil{ panic(error) }1、打印整个html:fmt.Println(content.Html())
2、获取class的内容:content.Find(".name").Text();
3、获取id的内容:content.Find("#name").Text();
4、当获取的内容中超过一条内容时:
sex:=content.Find("input[name='gender']:checked") for i:=0;i<sex.Length();i++{ if sex.Eq(i).Attr("checked") != "checked"{ continue; } if sex.Eq(i).Attr("value")=="0"{ info.sex = "女" } if sex.Eq(i).Attr("value")=="1"{ info.sex = "男" } }
获取其他待抓取网页
本次测试是爬知乎网的用户信息。
1、获取问题网址url;
2、获取对应问题网址的回答用户url;
需改进的地方
1、爬其他用户url的算法;
2、只有两个线程,分别为生产者和消费者。使用线程池。
3、控制生产者的速度与消费者的速度的算法。
有疑问加站长微信联系(非本文作者)