最近學習go,爬取網站資料用到正規表示式,做個總結;
Go中正規表示式採用RE2語法(具體是啥我們也不清楚);
字元
. ——匹配任意字元 e.g: abc. 結果: abcd,abcx,abc9;
[] ——匹配括號中任意一個字元 e.g: [abc]d 結果:ad,cd,1d;
- ——[-]中表示範圍 e.g: [A-Za-z0-9];
^ ——[^]中表示除括號中的任意字元 e.g:[^xy]a 結果:aa,da,不能為xa,ya;
數量限定
? ——前面單元匹配0或1次;
+ ——前面單元匹配1或多次;
* ——前面單元匹配0或多次;
{,} ——顯示個數上下線;e.g : ip地址——[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3};
其他
\ ——轉義字元;
| ——條件或;
() ——組成單元 如果字串本身有括號"[(] aaa. [)]" ;
方法
//引數正則字串,返回值*Regexp
str := regexp.MustCompile(string)
//引數要查詢的資料,查詢次數-1為全域性,返回值二維陣列,查詢出的字串+正則字串
var result [][]string = str.FindAllStringSubmatch(data, -1)
爬蟲
爬取部落格園所有文章閱讀量,評論,推薦;
package main
import (
"fmt"
"io"
"net/http"
"regexp"
"strconv"
)
var readCount int = 0
var commentCount int = 0
var diggCount int = 0
//http讀取網頁資料寫入result返回
func HttpGet(url string) (result string, err error) {
resp, err1 := http.Get(url)
if err1 != nil {
err = err1
return
}
defer resp.Body.Close()
buf := make([]byte, 4096)
for {
n, err2 := resp.Body.Read(buf)
//fmt.Println(url)
if n == 0 {
break
}
if err2 != nil && err2 != io.EOF {
err = err2
return
}
result += string(buf[:n])
}
return result, err
}
//橫向縱向爬取文章標題資料,並累計數值
func SpiderPageDB(index int, page chan int) {
url := "https://www.cnblogs.com/littleperilla/default.html?page=" + strconv.Itoa(index)
result, err := HttpGet(url)
if err != nil {
fmt.Println("HttpGet err:", err)
return
}
str := regexp.MustCompile("post-view-count\">閱讀[(](?s:(.*?))[)]</span>")
alls := str.FindAllStringSubmatch(result, -1)
for _, j := range alls {
temp, err := strconv.Atoi(j[1])
if err != nil {
fmt.Println("string2int err:", err)
}
readCount += temp
}
str = regexp.MustCompile("post-comment-count\">評論[(](?s:(.*?))[)]</span>")
alls = str.FindAllStringSubmatch(result, -1)
for _, j := range alls {
temp, err := strconv.Atoi(j[1])
if err != nil {
fmt.Println("string2int err:", err)
}
commentCount += temp
}
str = regexp.MustCompile("post-digg-count\">推薦[(](?s:(.*?))[)]</span>")
alls = str.FindAllStringSubmatch(result, -1)
for _, j := range alls {
temp, err := strconv.Atoi(j[1])
if err != nil {
fmt.Println("string2int err:", err)
}
diggCount += temp
}
page <- index
}
//主要工作方法
func working(start, end int) {
fmt.Printf("正在從%d到%d爬取中...\n", start, end)
//channel通知主執行緒是否所有go都結束
page := make(chan int)
//多執行緒go程同時爬取
for i := start; i <= end; i++ {
go SpiderPageDB(i, page)
}
for i := start; i <= end; i++ {
fmt.Printf("拉取到%d頁\n", <-page)
}
}
//入口函式
func main() {
//輸入爬取的起始頁
var start, end int
fmt.Print("startPos:")
fmt.Scan(&start)
fmt.Print("endPos:")
fmt.Scan(&end)
working(start, end)
fmt.Println("閱讀:", readCount)
fmt.Println("評論:", commentCount)
fmt.Println("推薦:", diggCount)
}