Go最新Go分布式爬虫笔记(二十二)_extensions randomua，2024年最新Golang架构组件Room功能详解

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，可以戳这里获取

return errors.New("Max depth limit reached")

}
return nil
}

func (s *Schedule) CreateWork() {
for {
r := <-s.workerCh
if err := r.Check(); err != nil {
s.Logger.Error(“check failed”,
zap.Error(err),
)
continue
}
…
}
}

## 避免请求重复


目的:


* 避免死循环
* 无效爬取


考虑点:


* 用什么数据结构来存储数据才能保证快速地查找到请求的记录？  
哈希表
* 如何保证并发查找与写入时，不出现并发冲突问题？  
 锁, sync.Map
* 在什么条件下，我们才能确认请求是重复的，从而停止爬取？  
 任务进行前检查


在解决上面的三个问题之前，我们先优化一下代码。我们之前的 Request 结构体会在每一次请求时发生变化，但是我们希望有一个字段能够表示一整个网站的爬取任务，因此我们需要抽离出一个新的结构 **Task ​**作为一个**爬虫任务**，而 Request 则作为单独的请求存在。有些参数是整个任务共有的，例如 Task 中的 Cookie、MaxDepth（最大深度）、WaitTime（默认等待时间）和 RootReq（任务中的第一个请求）。

type Task struct {
Url string
Cookie string
WaitTime time.Duration
MaxDepth int
RootReq *Request
Fetcher Fetcher
}

// 单个请求
type Request struct {
Task *Task
Url string
Depth int
ParseFunc func([]byte, *Request) ParseResult
}

由于抽象出了 Task，代码需要做对应的修改，例如我们需要把初始的 Seed 种子任务替换为 Task 结构。

for i := 0; i <= 0; i += 25 {
str := fmt.Sprintf(“https://www.douban.com/group/szsh/discussion?start=%d”, i)
seeds = append(seeds, &collect.Task{
…
Url: str,
RootReq: &collect.Request{
ParseFunc: doubangroup.ParseURL,
},
})
}

同时，在深度检查时，每一个请求的最大深度需要从 Task 字段中获取。

func (r *Request) Check() error {
if r.Depth > r.Task.MaxDepth {
return errors.New(“Max depth limit reached”)
}
return nil
}

接下来，我们继续用一个哈希表结构来存储历史请求。  
 由于我们希望随时访问哈希表中的历史请求，所以把它放在 Request、Task 中都不合适。 放在调度引擎中也不合适，因为调度引擎从功能上讲，应该只负责调度才对。所以，我们还需要完成一轮抽象，**将调度引擎抽离出来作为一个接口，让它只做调度的工作，不用负责存储全局变量等任务。**

type Crawler struct {
out chan collect.ParseResult //负责处理爬取后的数据，完成下一步的存储操作。schedule 函数会创建调度程序，负责的是调度的核心逻辑。
Visited map[string]bool //存储请求访问信息
VisitedLock sync.Mutex
options
}

type Scheduler interface {
Schedule() //启动调度器
Push(…*collect.Request) //将请求放入到调度器中
Pull() *collect.Request //从调度器中获取请求
}

type Schedule struct {
requestCh chan *collect.Request //负责接收请求
workerCh chan *collect.Request //负责分配任务给 worker
reqQueue []*collect.Request
Logger *zap.Logger
}

Visited 中的 Key 是请求的唯一标识，我们现在先将唯一标识设置为 URL + method 方法，并使用 MD5 生成唯一键。后面我们还会为唯一标识加上当前请求的规则条件。

// 请求的唯一识别码
func (r *Request) Unique() string {
block := md5.Sum([]byte(r.Url + r.Method))
return hex.EncodeToString(block[:])
}

接着，编写 HasVisited 方法，判断当前请求是否已经被访问过。StoreVisited 方法用于将请求存储到 Visited 哈希表中。

func (e *Crawler) HasVisited(r *collect.Request) bool {
e.VisitedLock.Lock()
defer e.VisitedLock.Unlock()
unique := r.Unique()
return e.Visited[unique]
}

func (e *Crawler) StoreVisited(reqs …*collect.Request) {
e.VisitedLock.Lock()
defer e.VisitedLock.Unlock()

for _, r := range reqs {
unique := r.Unique()
e.Visited[unique] = true
}
}

最后在 Worker 中，在执行 request 前，判断当前请求是否已被访问。如果请求没有被访问过，将 request 放入 Visited 哈希表中。

func (s *Crawler) CreateWork() {
for {
r := s.scheduler.Pull()
if err := r.Check(); err != nil {
s.Logger.Error(“check failed”,
zap.Error(err),
)
continue
}
// 判断当前请求是否已被访问
if s.HasVisited® {
s.Logger.Debug(“request has visited”,
zap.String(“url:”, r.Url),
)
continue
}
// 设置当前请求已被访问
s.StoreVisited®
…
}
}

## 设置优先队列


爬虫任务的优先级有时并不是相同的，一些任务需要优先处理。因此，接下来我们就来设置一个任务的优先队列。优先队列还可以分成多个等级，在这里将它简单地分为了两个等级，即优先队列和普通队列。优先级更高的请求会存储到 priReqQueue 优先队列中。

type Schedule struct {
requestCh chan *collect.Request
workerCh chan *collect.Request
priReqQueue []*collect.Request
reqQueue []*collect.Request
Logger *zap.Logger
}

## 设置随机User-Agent



![img](https://img-blog.csdnimg.cn/img_convert/63d979e705b1a26fbe50368a3e8b59b2.png)
![img](https://img-blog.csdnimg.cn/img_convert/b848e30ae193fd9f17814e06b0062be5.png)

**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，可以添加戳这里获取](https://bbs.csdn.net/topics/618658159)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**

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，可以添加戳这里获取](https://bbs.csdn.net/topics/618658159)**


**一个人可以走的很快，但一群人才能走的更远！不论你是正从事IT行业的老鸟或是对IT行业感兴趣的新人，都欢迎加入我们的的圈子（技术交流、学习资源、职场吐槽、大厂内推、面试辅导），让我们一起学习成长！**