Go爬虫(http、goquery和colly)详解

1、net/http爬虫

net/http配合正则表达式爬虫。

package main

import (
"fmt"
"io/ioutil"
"log"
"net/http"
"os"
"regexp"
"strings"
"sync"
)

// 负责抓取页面的源代码(html)
// 通过http包实现
func fetch(url string) string {

// 得到一个客户端
client := &http.Client{}
request, _ := http.NewRequest("GET", url, nil)

request.Header.Set("User-Agent", "Mozilla/5.0 (Linux; Android 6.0; Nexus 5 Build/MRA58N) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/104.0.0.0 Mobile Safari/537.36")
request.Header.Add("Cookie", "test_cookie=CheckForPermission; expires=Tue, 30-Aug-2022 01:04:32 GMT; path=/; domain=.doubleclick.net; Secure; HttpOnly; SameSite=none")

// 客户端发送请求，并且获取一个响应
response, err := client.Do(request)
if err != nil {
log.Println("Error: ", err)
return ""
}

// 如果状态码不是200，就是响应错误
if response.StatusCode != 200 {
log.Println("Error: ", response.StatusCode)
return ""
}

defer response.Body.Close() // 关闭

// 读取响应体中的所有数据到body中，这就是需要的部分
body, err := ioutil.ReadAll(response.Body)
if err != nil {
log.Println("Error: ", err)
return ""
}

// 转换为字符串(字节切片 --> 字符串)
return string(body)
}

var waitGroup sync.WaitGroup

// 解析页面源代码
func parseURL(body string) {

// 将body(响应结果)中的换行替换掉，防止正则匹配出错
html := strings.Replace(body, "\n", "", -1)
// 正则匹配
re_Img_div := regexp.MustCompile(`<div class="img_wrapper">(.*?)</div>`)

img_div := re_Img_div.FindAllString(html, -1) // 得到<div><img/></div>

for _, v := range img_div {

// img正则
re_link := regexp.MustCompile(`src="(.*?)"`)
// 找到所有的图片链接
links := re_link.FindAllString(v, -1) // 得到所有图片链接

// 遍历links，切掉不必要的部分src="和最后的"
for _, v := range links {

src := v[5 : len(v)-1]
src = "http:" + src

waitGroup.Add(1)
go downLoad(src)
}
}

}

// 下载
func downLoad(src string) {

fmt.Println("================================", src)

// 取一个文件名
filename := string(src[len(src)-8 : len(src)])
fmt.Println(filename)

response, _ := http.Get(src)
picdata, _ := ioutil.ReadAll(response.Body)

image, _ := os.Create("./files/" + filename)
image.Write(picdata)

defer func() {
image.Close()
waitGroup.Done()
}()
}

func main() {

url := "http://games.sina.com.cn/t/n/2021-01-15/kftpnnx7445951.shtml"

body := fetch(url)
// fmt.Println(body)
parseURL(body)

waitGroup.Wait()
}

2、goquery库爬虫

goquery可以避免操作复杂的正则表达式，它可以直接根据url获取一个Document对象，然后根据标签选择器、类选择器和id选择器获取相应的选择对象，进行自定义的操作。

goquery可以灵活的获取页面中的元素。

*** 一个简单的例子，引出goquery中的重要API

package main

import (
"fmt"
"strings"

"github.com/PuerkitoBio/goquery"
)

func main() {

url := "http://games.sina.com.cn/t/n/2021-01-15/kftpnnx7445951.shtml"

// 得到页面原文档对象
d, _ := goquery.NewDocument(url)

// 根据文档对象借助类选择器获取Selection对象，通过Each遍历所有的适配类选择器的对象
// Each的参数是一个函数，里面是处理逻辑
d.Find("img").Each(func(index int, s *goquery.Selection) {

// 根据属性名获取属性值   一个Selection对象 --> <img src="http://localhost:8080/images" > text </img>
text, _ := s.Attr("src")

// 只处理gif动态图片
if strings.HasSuffix(text, ".gif") {
text = "http:" + text
fmt.Println(text)
}

})
}

*** 操作一、获取html整个原文档

分别是goquery.NewDocument(url string)、goquery.NewDocumentFromResponse(*http.Response)、goquery.NewDocumentFromReader(*io.Reader)。三种方式的第一种比较最为方便使用。

package main

import (
"log"
"net/http"
"strings"

"github.com/PuerkitoBio/goquery"
)

/*
goquery得到Document对象的3种方式
*/

// 1、通过NewDocument传入一个URL地址
func GetDocument_1(url string) string {

document, _ := goquery.NewDocument(url)

document.Find("href")

return "document.Text()"
}

// 2、通过响应获取。第一种方式是第二种方式的封装
func GetDocument_2(url string) string {

client := &http.Client{}
request, _ := http.NewRequest("GET", url, nil)

response, _ := client.Do(request)
document, err := goquery.NewDocumentFromResponse(response)

if err != nil {
log.Fatalln(err)
}
document.Find("")

return ""
}

// 3、有一个html文本的情况下，读取转换为Document对象
func GetDocument_3(html string) string {

document, _ := goquery.NewDocumentFromReader(strings.NewReader(html))
document.Find("")

return ""
}

*** 操作二、选择器
同html的标识方式，在Find函数中。

*** 操作三、Selection相关方法

*** 最后来完成net/http中的网页爬虫

package main

import (
"fmt"
"io/ioutil"
"net/http"
"os"
"strings"
"sync"

"github.com/PuerkitoBio/goquery"
)

var lock sync.WaitGroup

func main() {

url := "http://games.sina.com.cn/t/n/2021-01-15/kftpnnx7445951.shtml"

// 得到页面原文档对象
d, _ := goquery.NewDocument(url)

// 根据文档对象借助类选择器获取Selection对象，通过Each遍历所有的适配类选择器的对象
// Each的参数是一个函数，里面是处理逻辑
d.Find("img").Each(func(index int, s *goquery.Selection) {

// 根据属性名获取属性值   一个Selection对象 --> <img src="http://localhost:8080/images" > text </img>
text, _ := s.Attr("src")

// 只处理gif动态图片
if strings.HasSuffix(text, ".gif") {
lock.Add(1)

http := "http:" + text

// 得到图片地址，开启协程下载图片
go downLoading(http)
}

})

lock.Wait()
}

func downLoading(src string) {

fmt.Println("================================", src)

// 取一个文件名
filename := string(src[len(src)-8 : len(src)])
fmt.Println(filename)

response, _ := http.Get(src)
picdata, _ := ioutil.ReadAll(response.Body)

image, _ := os.Create("./files/" + filename)
image.Write(picdata)

defer func() {
image.Close()
lock.Done()
}()
}

3、colly框架爬虫

首先要获取一个*colly.Collector对象；
然后注册处理函数OnXxx函数；
之后就可以访问url了。

*** OnXxx函数
主要操作都是由OnXxx函数的参数函数进行处理的

*** 完成图片的爬取

package main

import (
"fmt"
"io/ioutil"
"net/http"
"os"
"strings"
"sync"

"github.com/gocolly/colly"
)

var locker sync.WaitGroup

func main() {

col := colly.NewCollector()

// 检测请求
col.OnRequest(func(req *colly.Request) {
fmt.Println("检测一个请求......")
})

// 检测响应
col.OnResponse(func(r *colly.Response) {
fmt.Println("检测一个响应......")
})

// 定位img标签。注册该函数，框架内部回调
col.OnHTML("img", func(elem *colly.HTMLElement) {

fmt.Println("ONXHTML")

// 获取标签对应属性的值。
// 其他对标签的操作，可以查看对应的API
http := elem.Attr("src")

if strings.HasSuffix(http, ".gif") {

locker.Add(1)

http := "http:" + http

go DownLoad(http)
}
})

col.Visit("http://games.sina.com.cn/t/n/2021-01-15/kftpnnx7445951.shtml")

locker.Wait()
}

func DownLoad(src string) {

fmt.Println("================================", src)

// 取一个文件名
filename := string(src[len(src)-8 : len(src)])
fmt.Println(filename)

response, _ := http.Get(src)
picdata, _ := ioutil.ReadAll(response.Body)

image, _ := os.Create("./files/" + filename)
image.Write(picdata)

defer func() {
image.Close()
locker.Done()
}()
}

来源：https://blog.csdn.net/m0_73293551/article/details/126608934