【Go开源宝藏】Golang 爬虫整点新花样_golang 使用session爬虫

最新推荐文章于 2024-07-04 16:33:29 发布

2401_84265592

最新推荐文章于 2024-07-04 16:33:29 发布

阅读量1.4k

点赞数 26

分类专栏： 2024年程序员学习文章标签： golang 开源爬虫

本文链接：https://blog.csdn.net/2401_84265592/article/details/137931734

版权

2024年程序员学习专栏收录该内容

45 篇文章 0 订阅

订阅专栏

先自我介绍一下，小编浙江大学毕业，去过华为、字节跳动等大厂，目前阿里P7

深知大多数程序员，想要提升技能，往往是自己摸索成长，但自己不成体系的自学效果低效又漫长，而且极易碰到天花板技术停滞不前！

因此收集整理了一份《2024年最新Golang全套学习资料》，初衷也很简单，就是希望能够帮助到想自学提升又不知道该从何学起的朋友。

既有适合小白学习的零基础资料，也有适合3年以上经验的小伙伴深入学习提升的进阶课程，涵盖了95%以上Go语言开发知识点，真正体系化！

由于文件比较多，这里只是将部分目录截图出来，全套包含大厂面经、学习笔记、源码讲义、实战项目、大纲路线、讲解视频，并且后续会持续更新

如果你需要这些资料，可以添加V获取：vip1024b （备注go）

正文

写在前面

Python爬虫可能大家都玩腻了，那就玩一下Golang的爬虫吧！
这篇文章会持续更新哒！

思维导图

想获取原图或是.xmind格式可在文末扫描并回复Go爬虫

请添加图片描述

1. 发送请求

构造客户端

var client http.Client

构造GET请求：

reqList, err := http.NewRequest(“GET”, URL, nil)

构造POST请求

Go中提供了一个cookiejar.New的函数方法，用于保留生成Cookie信息，这个是为了一些网站要登陆才能爬取的情况，所以我们登陆完之后，会有一个cookie，这个cookie是存储用户信息的，也就是这个信息是让服务器知道是谁进行这一次的访问！比如说登陆学校的教务处进行爬取课表，因为课表每个人都可能是不同的，所以就需要登陆，让服务器知道这是谁的课表信息，所以就需要在请求头上加上cookie进行伪装爬取。

jar, err := cookiejar.New(nil)
if err != nil {
panic(err)
}

构造POST请求的时候，可以把要传输的数据进行封装好，与URL一起构造

var client http.Client
Info :=“muser=”+muserid+“&”+“passwd=”+password
var data = strings.NewReader(Info)
req, err := http.NewRequest(“POST”, URL, data)

添加请求头

req.Header.Set(“Connection”, “keep-alive”)
req.Header.Set(“Pragma”, “no-cache”)
req.Header.Set(“Cache-Control”, “no-cache”)
req.Header.Set(“Upgrade-Insecure-Requests”, “1”)
req.Header.Set(“Content-Type”, “application/x-www-form-urlencoded”)
req.Header.Set(“User-Agent”, “Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.198 Safari/537.36”)
req.Header.Set(“Accept”, “text/html,application/xhtml+xml,application/xml;q=0.9,image/avif,image/webp,image/apng,*/*;q=0.8,application/signed-exchange;v=b3;q=0.9”)
req.Header.Set(“Accept-Language”, “zh-CN,zh;q=0.9”)

发送请求

resp, _:= client.Do(req) // 发送请求
bodyText, _ := ioutil.ReadAll(resp.Body) // 使用缓冲区读取网页内容

关于cookie

上文也提到了一个包，当发送完请求之后，cookie就会保存在这个client.Jar这个包中

myStr:=fmt.Sprintf(“%s”,client.Jar) //强制类型转化指针装到string

我们处理打印出这个client.Jar这个包的信息之后，选出响应的cookie，然后放在请求头上面即可！就能处理登陆情况下的cookie问题了。

req.Header.Set(“Cookie”, “ASP.NET_SessionId=”+cook)

至此，发送请求部分就完全完成了！

2. 解析网页

2.1 CSS选择器

github.com/PuerkitoBio/goquery 提供了.NewDocumentFromReader方法进行网页的解析。

doc, err := goquery.NewDocumentFromReader(resp.Body)

2.2 Xpath 语法

github.com/antchfx/htmlquery 提供了.Parse方法进行网页的解析

root, _ := htmlquery.Parse(resp.Body)

2.3 Regex 正则

reId, _ := regexp.Compile(id=(\d+)) // 正则匹配
allId := reId.FindAll(bodyText,1)
for _,item := range allId {
id=string(item)
}

3. 获取节点信息

3.1 CSS 选择器

通过2.1，我们拿到上一步解析出来的doc之后，可以进行css选择器语法，进行结点的选择。

doc.Find(“#main > div.right > div.detail_main_content”).
Each(func(i int, s *goquery.Selection) {
Data.title = s.Find(“p”).Text()
Data.time = s.Find(“#fbsj”).Text()
Data.author = s.Find(“#author”).Text()
Data.count = Read_Count(Read_Id)
fmt.Println(Data.title, Data.time, Data.author,Data.count)
})

doc.Find(“#news_content_display”).Each(func(i int, s *goquery.Selection) {
Data.content = s.Find(“p”).Text()
fmt.Println(Data.content)
})

3.2 Xpath 语法

通过3.2，我们拿到上一步解析出来的root之后，可以进行Xpath语法的编写，进行结点的选择。

tr := htmlquery.Find(root, “//*[@id=‘LB_kb’]/table/tbody/tr/td”) //使用Xpath进行结点信息的获取
for _, row := range tr { //len(tr)=13
classNames := htmlquery.Find(row, “./font”)
classPosistions := htmlquery.Find(row,“./text()[4]”)
classTeachers := htmlquery.Find(row,“./text()[5]”)
if len(classNames)!=0 {
className = htmlquery.InnerText(classNames[0])

网上学习资料一大堆，但如果学到的知识不成体系，遇到问题时只是浅尝辄止，不再深入研究，那么很难做到真正的技术提升。

需要这份系统化的资料的朋友，可以添加V获取：vip1024b （备注Go）