golang实现百度贴吧并发爬虫

实现爬虫的步骤:

  1. 明确爬虫网址以及目的
  2. 寻找网址源代码的特点和规律
  3. 使用http编程来抓取源代码
  4. 使用正则表达式进行过滤信息,提取有用信息
package main

import (
	"fmt"
	"net/http"
	"os"
	"strconv"
)

func HttpGet(page int, ch chan int) (result string, err error) {
	url := "https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=" + strconv.Itoa((page-1)*50)
	fmt.Printf("正在爬取第%d页....\n", page)
	fmt.Println("url: ", url)
	if err != nil {
		fmt.Println("err = ", err)
		return
	}
	response, err1 := http.Get(url)
	if err1 != nil {
		err = err1
		return
	}
	defer response.Body.Close()
	buf := make([]byte, 1024*4)
	for {
		n, err := response.Body.Read(buf)
		if n == 0 || err != nil {
			fmt.Println("Finish....")
			break
		}
		result += string(buf[:n])
	}
	fileName := string("./file/" + strconv.Itoa(page) + ".html")
	file, err := os.Create(fileName)
	if err != nil {
		fmt.Println("create failed err = ", err)
		return
	}
	file.WriteString(result)
	file.Close()
	ch <- page
	return
}

func DoWork(start, end int) {
	fmt.Printf("正在爬取%d -> %d的页面\n", start, end)
	page := make(chan int)
	for i := start; i <= end; i++ {
		go HttpGet(i, page)
	}
	for i := start; i <= end; i++ {
		fmt.Printf("%d页完成!\n", <-page)
	}
}

func main() {

	var start, end int
	fmt.Println("请输入起始页(>=1):")
	fmt.Scan(&start)
	fmt.Println("请输入终止页(>=起始页)")
	fmt.Scan(&end)

	DoWork(start, end)
}

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