Go语言并发爬虫的具体实现

写在前面

这篇文章主要让大家明白多线程爬虫，因为go语言实现并发是很容易的。

这次的服务端，是我们之前搭建的电子商城平台，所以我们不担心ip被封之类的问题。
而实际生产环境中，其实我们都是用python爬虫的。python实现多线程也很简单。

这次我们可以试试新玩法，试试go语言的并发爬虫。

主要是爬取第一页的商品，爬取十次，比较单线程和多线程的时间。

1. 单线程爬虫

 定义一个用户

var Client http.Client

主函数

func main() {
url := "http://localhost:3000/api/v1/products"
start := time.Now()
for i := 0; i < 10; i++ {
Spider(url, i)
}
elapsed := time.Since(start)
fmt.Printf("Time ％s", elapsed)
}

爬取函数

func Spider(url string, i int) {
reqSpider, err := http.NewRequest("GET", url, nil)
if err != nil {
log.Fatal(err)
}
reqSpider.Header.Set("content-length", "0")
reqSpider.Header.Set("accept", "*/*")
reqSpider.Header.Set("x-requested-with", "XMLHttpRequest")
respSpider, err := Client.Do(reqSpider)
if err != nil {
log.Fatal(err)
}
bodyText, _ := ioutil.ReadAll(respSpider.Body)
var result Result
_ = json.Unmarshal(bodyText, &result)
fmt.Println(i,result.Data)
}

运行时间为：651.8207ms

2. 多线程爬虫

2.1 channel main函数

我们构造一个无缓冲的通道，来阻塞主进程，等待子进程的执行。

func main() {
url := "http://localhost:3000/api/v1/products"
ch := make(chan bool)
start := time.Now()
for i := 0; i < 10; i++ {
go Spider(url, ch, i)
}
for i := 0; i < 10; i++ {
<-ch
}
elapsed := time.Since(start)
fmt.Printf("Time ％s", elapsed)
}

最后记得在爬虫的结束的时候，把值写入到通道中，不然会一直阻塞主进程

运行时间：187.7921ms 比之前快了非常多。

2.2 sync.WaitGroup

定义一个进程组并加10个进程

var wg sync.WaitGroup
wg.Add(10)

开辟十个goruntime

for i := 0; i < 10; i++ {
go func(i int) {
defer wg.Done()
SpiderWaitGroup(url,i)
}(i)
}

阻塞主进程

wg.Wait()

结果：64.5246ms

3. 源码地址

GitHub地址：https://github.com/CocaineCong/Go-Spider-Demo

NormalStart(url) // 单线程爬虫
ChannelStart(url) // Channel多线程爬虫
WaitGroupStart(url) // Wait 多线程爬虫

其实多线程的两种都差不多的，只是有时候会因为机器的原因而导致一些误差。

来源：https://blog.csdn.net/weixin_45304503/article/details/121885673