『No20: Golang 爬蟲上手指南』

weixin_33872660發表於2018-08-19
Golang爬蟲

大家好，我叫謝偉，是一名程式設計師。

我寫過很多爬蟲，這是我最後一次在文章中內提及爬蟲。以後都不再寫了，想要研究其他領域。

本節的主題：Golang 爬蟲如何上手。

主要分下面幾個步驟：

  • 獲取網頁原始碼
  • 解析資料
  • 儲存資料

1. 獲取網頁原始碼

使用原生的 net/http 庫進行請求即可：

GET

func GetHttpResponse(url string, ok bool) ([]byte, error) {
	request, err := http.NewRequest("GET", url, nil)
	if err != nil {
		return nil, errors.ErrorRequest
	}

	request.Header.Add("User-Agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36")

	client := http.DefaultClient

	response, err := client.Do(request)

	if err != nil {
		return nil, errors.ErrorResponse
	}

	defer response.Body.Close()
	fmt.Println(response.StatusCode)
	if response.StatusCode >= 300 && response.StatusCode <= 500 {
		return nil, errors.ErrorStatusCode
	}
	if ok {

		utf8Content := transform.NewReader(response.Body, simplifiedchinese.GBK.NewDecoder())
		return ioutil.ReadAll(utf8Content)
	} else {
		return ioutil.ReadAll(response.Body)
	}

}
複製程式碼

POST

func PostHttpResponse(url string, body string, ok bool) ([]byte, error) {
	payload := strings.NewReader(body)
	requests, err := http.NewRequest("POST", url, payload)
	if err != nil {
		return nil, errors.ErrorRequest
	}
	requests.Header.Add("Content-Type", "application/x-www-form-urlencoded")
	requests.Header.Add("User-Agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36")
	client := http.DefaultClient
	response, err := client.Do(requests)
	if err != nil {
		return nil, errors.ErrorResponse
	}

	fmt.Println(response.StatusCode)

	defer response.Body.Close()
	if ok {
		utf8Content := transform.NewReader(response.Body, simplifiedchinese.GBK.NewDecoder())
		return ioutil.ReadAll(utf8Content)
	}
	return ioutil.ReadAll(response.Body)

}
複製程式碼

使用上面兩個函式，不管是遇到的請求是Get 或者是 Post 都可以獲取到網頁原始碼，唯一需要注意的可能是Post 請求需要正確的傳遞引數給請求。

使用原生的庫需要寫很多的程式碼，那有沒有更簡潔一些的寫法？

已經有人把原生的 net/http 庫，進一步的進行了封裝，形成了這樣一個庫：gorequest.

gorequest 文件

對外暴露的介面非常的簡單：

resp, body, errs := gorequest.New().Get("http://example.com/").End()
複製程式碼

一行程式碼即可完成一次請求。

Post 的請求也可以比較簡便的完成：

request := gorequest.New()
resp, body, errs := request.Post("http://example.com").
  Set("Notes","gorequst is coming!").
  Send(`{"name":"backy", "species":"dog"}`).
  End()
複製程式碼

上述兩種方式，按照自己喜好選擇，可以獲取到網頁原始碼。此為第一步。

2. 解析資料

對獲取到的網頁原始碼，我們需要進行進一步的解析，得到我們需要的資料。

依據響應的不同型別，我們可以選擇不同的方法。

一般如果響應是 html 格式的資料，那麼我們可以很友好的選擇正規表示式或者Css 選擇器獲取到我們需要的內容。

但如果是json 資料呢，那麼我們可以使用原生的 encoding/json 庫來進行對得倒的資料反序列化，也能將資料獲取到。

好，知道了具體的方法，那麼我們的目標就是：

  • 熟悉正規表示式用法，知道相應的情況下如何編寫正規表示式
  • 熟悉 json 的序列化和反序列化
  • 熟悉 css 選擇器各符號代表的意思，能在chrome 除錯視窗寫出css 選擇器

1. 基本思路

  • 清晰需要的內容
  • 分析網頁
  • 獲取網頁資訊
  • 解析網頁資訊

2. 分析網頁

  • Chrome 瀏覽器審查元素，檢視網頁原始碼

3. 網頁響應值的型別

  • json: 一般是呼叫的API，比較好分析，解析json 資料即可
  • xml: 不常見
  • html: 常見，使用正規表示式、CSS 選擇器、XPATH 獲取需要的內容

4. 請求的型別

  • Get : 常見，直接請求即可
  • Post : 需要分析請求的引數，構造請求，向對方伺服器端傳送請求，再解析響應值

5. 請求頭部資訊

  • Uer-Agent 頭部資訊

6. 儲存

  • 本地: text、json、csv
  • 資料庫: 關係型（postgres、MySQL）, 非關係型（mongodb）, 搜尋引擎（elasticsearch）

7. 圖片處理

  • 請求
  • 儲存

8. 其他

  • 代理: ip 池
  • User-Agent: 模擬瀏覽器
  • APP: APP 資料需要使用抓包工具：Mac(Charles)、Windows(Fiddler)(分析出Api)

9. 難點

  • 分散式
  • 大規模抓取

例項

幾大要點

如何獲取網頁原始碼

  • 原生 net/http
  • gorequest (基於原生的net/http 封裝)

Web客戶端請求方法

  • Get 絕大多少數
  • Post

Web服務端響應

  • json
  • html

Web服務端響應的處理方式

  • json: 使用原生的json 序列化，或者使用 gjson （第三方）
  • html: 正規表示式、 Css 選擇器、Xpath

儲存資料方式

  • Text
  • Json
  • Csv
  • db

前三種，涉及檔案讀寫；最後者涉及資料庫操作

原始碼

僅供參考： 參考

全文完，我是謝偉，再會。

相關文章