go语言爬虫教程python_写爬虫还在用 python？快来试试 go 语言的爬虫框架吧

今天为大家介绍的是一款 go 语言爬虫框架 -- colly。

开始

首先，你可以使用一下命令安装 colly。

go get -u github.com/gocolly/colly/...

其次，构建 Collector，添加事件，然后访问：

package main

import (

"fmt"

"github.com/gocolly/colly"

)

func main() {

// 初始化 colly

c := colly.NewCollector(

// 只采集规定的域名下的内容

colly.AllowedDomains("hackerspaces.org", "wiki.hackerspaces.org"),

)

// 任何具有 href 属性的标签都会触发回调函数

// 第一个参数其实就是 jquery 风格的选择器

c.OnHTML("a[href]", func(e *colly.HTMLElement) {

link := e.Attr("href")

fmt.Printf("Link found: %q -> %s\n", e.Text, link)

// 访问该网站

c.Visit(e.Request.AbsoluteURL(link))

})

// 在请求发起之前输出 url

c.OnRequest(func(r *colly.Request) {

fmt.Println("Visiting", r.URL.String())

})

// 从以下地址开始抓起

c.Visit("https://hackerspaces.org/")

}

运行以上代码，会从最开始的地址抓起，一直把规定的两个域名下的页面递归采集完。看，是不是很简单很方便！

登录鉴权

某些网站的某些页面可能需要登录状态才能访问。Colly 提供 Post 方法用于登录请求(colly 本身会维护 cookie)。

// authenticate

err := c.Post("http://example.com/login", map[string]string{"username": "admin", "password": "admin"})

if err != nil {

log.Fatal(err)

}

很多网站可能会有验证码、csrf_token 之类的仿网络攻击策略。对于 csrf_token，一般都会在页面的某个位置，比如表单，或者 mate 标签里，这些都是很容易获取到的。对于验证码，可以尝试在控制台输入结果或者采用图片识别的方式。

速率控制

很多内容网站会有防采集策略，所以过快的请求速率很可能导致被封 ip。这里可以使用 LimitRule 限制采集速度。

// 对于任何域名，同时只有两个并发请求在请求该域名

c.Limit(&colly.LimitRule{DomainGlob: "*", Parallelism: 2})

上面是一个简单的例子。除了可以限制域名并发量外，还可以限制间隔时间等。我们看一下 LimitRule 的结构：

type LimitRule struct {

// 匹配域名的正则表达式

DomainRegexp string

// glob 匹配模式

DomainGlob string

// 在发起一个新请求时的等待时间

Delay time.Duration

// 在发起一个新请求时的随机等待时间

RandomDelay time.Duration

// 匹配到的域名的并发请求数

Parallelism int

waitChan chan bool

compiledRegexp *regexp.Regexp

compiledGlob glob.Glob

}

队列与redis存储支持

某些情况下，我们的爬虫可能会主动或被动地挂掉，所以一个合理的进度保存有助于我们排除已经爬过的内容。这时候我们就需要用到队列以及存储支持。

Colly 本身有文件存储模式，默认是 未开启状态。推荐使用 redis 进行存储。

urls := []string{

"http://httpbin.org/",

"http://httpbin.org/ip",

"http://httpbin.org/cookies/set?a=b&c=d",

"http://httpbin.org/cookies",

}

c := colly.NewCollector()

// 创建 redis storage

storage := &redisstorage.Storage{

Address: "127.0.0.1:6379",

Password: "",

DB: 0,

Prefix: "httpbin_test",

}

// 把 storage 设置到 collector 上

err := c.SetStorage(storage)

if err != nil {

panic(err)

}

// 删除之前的数据(如果需要)

if err := storage.Clear(); err != nil {

log.Fatal(err)

}

// 结束后关闭 redis 连接

defer storage.Client.Close()

// 使用 redis 作为存储后端，创建请求队列

// 消费者数量设定为 2

q, _ := queue.New(2, storage)

c.OnResponse(func(r *colly.Response) {

log.Println("Cookies:", c.Cookies(r.Request.URL.String()))

})

// 把 url 加入到队列

for _, u := range urls {

q.AddURL(u)

}

// 开始采集

q.Run(c)

使用队列时，在解析到页面的链接后，可以继续把链接的 url 添加到队列中。

内容解析

内容抓取到了，如何解析并获取我们想要的内容呢？

以 html 为例(colly 也有 xml 等内容解析)：

// refentry 内容

c.OnHTML(".refentry", func(element *colly.HTMLElement) {

// ...

})

OnHtml 第一个参数是 jquery风格的选择器，第二个参数是 callback，callback 会传入 HTMLElement 对象。HTMLElement 结构体：

type HTMLElement struct {

// 标签的名称

Name string

Text string

attributes []html.Attribute

// 当前的 request

Request *Request

// 当前的 response

Response *Response

// 当前节点的 DOM 元素

DOM *goquery.Selection

// 在该 callback 回调中，此 element 的索引

Index int

}

其中，可以通过 DOM 字段操作(增删节点)、遍历、获取节点内容。

DOM 字段是 Selection 类型，该类型提供了大量的方法。如果你用过 jQuery，你一定会觉得熟悉。

举个栗子，我们想要删除 h1.refname 标签，并返回父元素的 html 内容：

c.OnHTML(".refentry", func(element *colly.HTMLElement) {

titleDom := element.DOM.Find("h1.refname")

title := titleDom.Text()

titleDom.Remove()

content, _ := element.DOM.Html()

// ...

})

其他

除此之外，Colly 还具有其他强大的功能，比如最大递归深度、url 过滤、url revisit(默认一个 url 只访问一次)以及编码检测等。这些都可以在官网文档或者 colly 代码里找到影子。

有疑问加站长微信联系(非本文作者)