初学go语言开发第一个爬虫项目

package main
 
import (
	"fmt"
	"net/http"
	"os"
	"regexp"
	"strconv"
	"strings"
)
 
func HttpGet(url string) (result string, err error) {
	resp, err1 := http.Get(url)//发送Get请求
	if err1 != nil {
		err = err1
		return
	}
	defer resp.Body.Close()
    //读取网页内容
	buf := make([]byte, 4*1024)
	for {
		n, err := resp.Body.Read(buf)
		if n == 0 {
			fmt.Println("resp.Body.Read err=", err)
			break
		}
		result += string(buf[:n])
	}
	return
}
func SpiderOneJoy(url string) (title, content string, err error) {
	result, err1 := HttpGet(url)
	if err1 != nil {
		err = err1
		return
	}
    //取标题:<h1>标题</h1>
	re := regexp.MustCompile(`<h1>(?s:(.*?))</h1>`)
	if re == nil {
		err = fmt.Errorf("%s", "regexp.MustCompile err")
		return
	}
	tmpTitle := re.FindAllStringSubmatch(result, 1)//1过滤一个
	for _, data := range tmpTitle {
		title = data[1]
		title = strings.Replace(title, "\t", "", -1)
		break // 防止有多次直接break
	}
    //取内容:
	re = regexp.MustCompile(`<div class="content-txt pt10">(?s:(.*?))<a id="prev" href="`)
	if re == nil {
		err = fmt.Errorf("%s", "regexp.MustCompile err")
		return
	}
	tmpContent := re.FindAllStringSubmatch(result, -1)
	for _, data := range tmpContent {
		content = data[1]
		content = strings.Replace(content, "\r\n", "", -1)
		content = strings.Replace(content, "\n", "", -1)
		content = strings.Replace(content, "\r", "", -1)
		content = strings.Replace(content, " ", "", -1)
		content = strings.Replace(content, "\t", "", -1)
		content = strings.Replace(content, "<br/>", "", -1)
		content = strings.Replace(content, "<br />", "", -1)
		break
	}
	return
}
func StoreJoyToFile(i int, fileTitle, fileContent []string) {
	//新建文件
    fileName := strconv.Itoa(i) + ".txt"
	f, err := os.Create(fileName)
	if err != nil {
		fmt.Println("os.Create err=", err)
		return
	}
	
	defer f.Close()
	len := len(fileTitle)
    //往文件里写内容
	for i := 0; i < len; i++ {
		f.WriteString(fileTitle[i] + "\n")
		f.WriteString(fileContent[i] + "\n")
		f.WriteString("---------\n")
	}
}
func SpiderPage(i int, page chan int) {
    //明确爬取的网址
	url := "https://www.pengfu.com/xiaohua_" + strconv.Itoa(i) + ".html"
	fmt.Printf("正在爬取第%d个网页:%s\n", i, url)
    //开始爬取页面的内容
	result, err := HttpGet(url)
	if err != nil {
		fmt.Println("HttpGet err=", err)
		return
	}
    //取内容,<h1 class="dp-b"><a href="一个段子url连接 "
	re := regexp.MustCompile(`<h1 class="dp-b"><a href="(?s:(.*?))"`)
	if re == nil {
		fmt.Println("regexp.MustCompile err")
		return
	}
    //取关键信息
	joyUrls := re.FindAllStringSubmatch(result, -1)
	// 切片
	fileTitle := make([]string, 0)
	fileContent := make([]string, 0)
 	//第一个返回下标,第二个返回值
	for _, data := range joyUrls {
		url := data[1]
        //爬子页面 获取每一个对应到的url
		title, content, err := SpiderOneJoy(url)
		if err != nil {
			fmt.Println("SpiderOneJoy err=", err)
			continue
		}
		fileTitle = append(fileTitle, title)//追加内容
		fileContent = append(fileContent, content)//追加内容
	}
	// 写成文件
	StoreJoyToFile(i, fileTitle, fileContent)
	page <- i//爬完之后,将页编号加入通道
}
func DoWork(start, end int) {
	fmt.Printf("准备爬取第%d页到%d页的网址\n", start, end)
	// 声明一个管道,来保证爬取完毕
	page := make(chan int)
	for i := start; i <= end; i++ {
        //定义一个函数,爬主页面
		go SpiderPage(i, page)
	}
	// 记住一定要单独接收管道消息!!!
	for i := start; i <= end; i++ {
		//管道阻塞
		fmt.Printf("第%d页爬取结束\n", <-page)
	}
}
func main() {
	var start, end int
	fmt.Printf("请输入起始页(大于等于1):")
	fmt.Scan(&start)
	fmt.Printf("请输入终止页(大于等于起始页):")
	fmt.Scan(&end)
	DoWork(start, end)//工作函数
}

 

Creeper 是一个基于简单脚本( Creeper Script ,扩展名 .crs )的下一代开源爬虫框架。需要配合一门正经的编程语言(只开发了 Go 版本)来使用,先在 Creeper Script 内定义爬取规则,然后用 Go 代码来读取规则,再爬取资源。使用场景一般会用在需要同时采集大量不同网站,或者开发聚合阅读器时。(以后可能会增加 cli 和数据库访问支持)简单的用例:假如我想要爬取 HackerNews ,需要写出这样子的脚本,其实看起来有些类似 yaml 配合 jquery 的样子,但是其实差别挺大的。page(@page=1) = "https://news.ycombinator.com/news?p={@page}" news[]: page -> $("tr.athing")     title: $(".title a.storylink").text     site: $(".title span.sitestr").text     link: $(".title a.storylink").href之后在 Go 文件中来读取并使用这个脚本;package main import "github.com/wspl/creeper" func main() {     c := creeper.Open("./hacker_news.crs")     c.Array("news").Each(func(c *creeper.Creeper) {         println("title: ", c.String("title"))         println("site: ", c.String("site"))         println("link: ", c.String("link"))         println("===")     }) }执行后,将会如期地输出类似下面的内容:title:  Samsung chief Lee arrested as S.Korean corruption probe deepens site:  reuters.com link:  http://www.reuters.com/article/us-southkorea-politics-samsung-group-idUSKBN15V2RD === title:  ReactOS 0.4.4 Released site:  reactos.org link:  https://reactos.org/project-news/reactos-044-released === title:  FeFETs: How this new memory stacks up against existing non-volatile memory site:  semiengineering.com link:  http://semiengineering.com/what-are-fefets/ 标签:Creeper
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值