go语言与爬虫
0. 网页爬虫
- 横向爬取:找寻网页的页与页之间的规律。分页器规律
- 纵向爬取:找寻网页之间条目与条目之间的规律。
1. 爬取流程
- 明确URL,找寻网页分页器规律
- 获取网页数据 http.Get()
- 使用正则表达式筛选有用信息 MustCompile、FindallstringSubmatch
- 保存信息到本地
2. 爬取信息
横向规律:
https://movie.douban.com/top250?start=25&filter= – 第二页
https://movie.douban.com/top250?start=50&filter= – 第三页
https://movie.douban.com/top250?start=75&filter= – 第四页
规律:从0开始,每多一页+25
纵向规律:
- 电影名称:
<img width="100" alt="(电影名称)"
- 评分:
<span class="rating_num" property="v:average">(评分)</span>
- 评价人数:
<span>(平均人数)人评价</span>
package main
import (
"fmt"
"strconv"
"net/http"
"io"
"regexp"
"os"
)
// 封装函数, 获取网页数据 http.GEt
func HttpGET(url string) string {
// http.Get() 获取web服务器回发的 应答包
resp, err := http.Get(url)
if err != nil {
fmt.Println("http.Get err:", err)
return ""
}
defer resp.Body.Close()
// 接收读取的 数据, 做返回
var result string
buf := make([]byte, 4096)
// 循环读取网页数据
for {
n, err := resp.Body.Read(buf)
if n == 0 {
break
}
if err != nil && err != io.EOF {
fmt.Println("Body.Read err:", err)
return ""
}
result += string(buf[:n])
}
return result
}
// 封装函数,爬取一个网页数据
func SpiderPage(i int, quit chan<- int) {
// 明确url
url := "https://movie.douban.com/top250?start=" + strconv.Itoa((i-1)*25) + "&filter="
result := HttpGET(url)
// 编译解析正则表达式 -- 电影名称
ret1 := regexp.MustCompile(`<img width="100" alt="(?s:(.*?))"`) // (.*?)
// 使用正则筛选数据
filmNames := ret1.FindAllStringSubmatch(result, -1)
// 编译解析正则表达式 -- 评分
ret2 := regexp.MustCompile(`<span class="rating_num" property="v:average">(.*?)</span>`) // (.*?)
// 使用正则筛选数据
filmScores := ret2.FindAllStringSubmatch(result, -1)
// 编译解析正则表达式 -- 电影名称
ret3 := regexp.MustCompile(`<span>(\d+)人评价</span>`) // (.*?)
// 使用正则筛选数据
peoNums := ret3.FindAllStringSubmatch(result, -1)
// 保存数据 - 封装函数
save2File(i, filmNames, filmScores, peoNums)
quit <- i
}
func main() {
// 提示用户,指定爬取的起始/终止页
fmt.Print("请输入爬取起始页(>=1)start:")
var start int
fmt.Scan(&start)
fmt.Print("请输入爬取终止页(>=start):")
var end int
fmt.Scan(&end)
// 创建 channel 协调主子go程
quit := make(chan int)
for i := start; i <= end; i++ {
go SpiderPage(i, quit)
}
for i := start; i <= end; i++ {
fmt.Printf("第%d页爬取完毕!\n", <-quit)
}
}
func save2File(i int, filmNames, filmScores, peoNums [][]string) {
//filePath := "/home/itcast/4go/" + "第" + strconv.Itoa(i) + "页.txt"
filePath := "第" + strconv.Itoa(i) + "页.txt"
// 创建新文件保存网页数据.
f, err := os.Create(filePath)
if err != nil {
fmt.Println("Create err:", err)
return
}
defer f.Close()
// 组织文件存储格式
f.WriteString("电影名称\t\t评价分数\t\t评价人数\n")
// 依次写入数据
len := len(filmNames)
for i := 0; i < len; i++ {
f.WriteString(filmNames[i][1] + "\t\t" + filmScores[i][1] + "\t\t" + peoNums[i][1] + "\n")
}
}
3. 爬取壁纸
http://desk.zol.com.cn/bizhi/9547_115837_2.html – 1
http://desk.zol.com.cn/bizhi/9547_115834_2.html – 2
http://desk.zol.com.cn/bizhi/9547_115835_2.html – 3
http://desk.zol.com.cn/bizhi/9547_115836_2.html – 4
<img id="bigImg" src="(url)"
package main
import (
"fmt"
"io"
"net/http"
"os"
"regexp"
"strconv"
)
// 封装函数获取网页数据
func HttpImgGET(url string) string {
resp, err := http.Get(url)
if err != nil {
fmt.Println("http.Get err:", err)
return ""
}
defer resp.Body.Close()
// 接收读取的 数据, 做返回
var result string
buf := make([]byte, 4096)
// 循环读取网页数据
for {
n, err := resp.Body.Read(buf)
if n == 0 {
break
}
if err != nil && err != io.EOF {
fmt.Println("Body.Read err:", err)
return ""
}
result += string(buf[:n])
}
return result
}
func SpiderImg(i int, quit chan<- int) {
// 组织url
url := "http://desk.zol.com.cn/bizhi/9547_11583"+strconv.Itoa(4+i)+"_2.html"
// fmt.Println(url)
result := HttpImgGET(url)
// fmt.Println(result)
// 编译解析正则表达式
ret := regexp.MustCompile(`<img id="bigImg" src="(?s:(.*?))"`)
// 筛选出图片的url
data := ret.FindAllStringSubmatch(result, -1)
for _, str := range data {
result := HttpImgGET(str[1])
imgName := strconv.Itoa(i+1) + ".jpg"
f, err := os.Create(imgName)
if err != nil {
fmt.Println("Creat error:", err)
return
}
defer f.Close()
f.WriteString(result)
}
quit <- i+1
}
func main() {
fmt.Print("请输入要下载的图片数量:")
var num int
fmt.Scan(&num)
quit := make(chan int)
for i:=0; i<num; i++ {
go SpiderImg(i, quit)
}
for i:=0; i<num; i++ {
fmt.Printf("第%d张图片保存完毕\n", <-quit)
}
}