原文首发并持续更新于 https://imagician.net/archives/92/,欲了解更多信息可以前往我的博客https://imagician.net/
提到爬虫,总会联想到Python。似乎Python是爬虫的唯一选择。爬虫只是完成一个访问页面然后收集数据的任务,用任何语言来写都能实现。相比较Python快速实现但是庞大的体型,Golang来写爬虫似乎是更好的又一选择。
HTTP请求
Golang语言的HTTP请求库不需要使用第三方的库,标准库就内置了足够好的支持:
package main
import (
"fmt"
"net/http"
"io/ioutil"
)
func fetch (url string) string {
fmt.Println("Fetch Url", url)
// 创建请求
req, _ := http.NewRequest("GET", url, nil)
// 创建HTTP客户端
client := &http.Client{
}
// 发出请求
resp, err := client.Do(req)
if err != nil {
fmt.Println("Http get err:", err)
return ""
}
if resp.StatusCode != 200 {
fmt.Println("Http status code:", resp.StatusCode)
return ""
}
// 读取HTTP响应正文
defer resp.Body.Close()
body, err := ioutil.ReadAll(resp.Body)
if err != nil {
fmt.Println("Read error", err)
return ""
}
return string(body)
}
func main(){
fmt.Println(fetch("https://github.com"))
}
使用官方的HTTP包可以快速的请求页面并得到返回数据。
就像Python有Scrapy库,爬虫框架可以很大程度上简化HTTP请求、数据抽取、收集的流程,同时还能提供更多的工具来帮助我们实现更复杂的功能。
Golang爬虫框架——Goribot
https://github.com/zhshch2002/goribot是一个用Golang写成的爬虫轻量框架,有不错的扩展性和分布式支持能力,文档在https://imagician.net/goribot/。
获取Goribot:
go get -u github.com/zhshch2002/goribot
使用Goribot实现上文的代码的功能要看起来简洁不少。
package main
import (
"fmt"
"github.com/zhshch2002/goribot"
)
func main() {
s := goribot.NewSpider()
s.AddTask(
goribot.GetReq("https://github.com"),
func(ctx *goribot.Context) {
fmt.Println(ctx.Resp.Text)
},
)
s.Run()
}
如此之实现了一个单一的功能,即访问“https://github.com”并打印出结果。如此的应用还不足以使用框架。那我们来入手一个更复杂点的爬虫应用。
用Goribot爬取B站信息
我们来建立一个复杂点的爬虫应用,预期实现两个功能:
- 沿着链接自动发现新的视频链接
- 提取标题、封面图、作者和视频数据(播放量、投币、收藏等)
研究B站页面
首先我们来研究一下B站的视频页面,以https://www.bilibili.com/video/BV1JE411P7hK?spm_id_from=333.851.b_62696c695f7265706f72745f6469676974616c.21为例,按F12打开调试界面,切换到Network
(网络)选项卡。
我们能看到这一页面所涉及的所有请求、资源。在调试界面里选在XHR
选项,来查看Ajax请求。
你可以通过点选不同的请求,在右侧弹出的面板里查看具体内容。在新面板里点击Preview
(预览)可以查看服务器响应的内容。
那么,交给你一个任务,依次查看XHR下的所有请求,找到最像是服务器返回的点赞、收藏、播放量数据的哪一个。
很好,那来看看你找到是这个吗?
你已经成功达成了一个爬虫工程师的成就——从Ajax请求里寻找目标数据。
那我们切换到Header
(标头)选项,来看看这个请求对应的参数,最好能找到这个响应和视频Id的关系。
发现了视频Id——BV号。
我们以及解决了核心问题,获取B站的视频数据,对于自动搜寻视频,我们可以设定一个起始链接,然后搜寻<a>
标签来延伸爬取。
搭建爬虫
完整代码在后文。
创建爬虫
s := goribot.NewSpider( // 创建一个爬虫并注册扩展
goribot.Limiter(true, &goribot.LimitRule{
// 添加一个限制器,限制白名单域名和请求速录限制
Glob: "*.bilibili.com"