Golang原生爬虫 简单爬虫实现 不依赖第三方包库 方便理解技术原理 (二)

上一篇回顾:Golang原生爬虫 简单爬虫实现 不依赖第三方包库 方便理解技术原理 (一)

本篇原文首发:Golang原生爬虫 简单爬虫实现 不依赖第三方包库 方便理解技术原理 (二)

程序首次执行成功后,我们已经成功获取了源页面所提供的链接地址。下面我们自然要做的就是通过计时器来爬抓链接列表里的地址。

下一步就是要通过地址列表里的地址逐一爬抓,去掉已经爬抓过的练级,并记录新的有效链接到地址列表里。

再看一下我们的main函数:

func main() { 
  if checkFile("./data/", "url.txt").Size() == 0 { 
    fistStart() 
    main() 
  } else { 
    Timer() 
  } 
} 

上面的firstStart函数(首次执行爬抓)已经执行过了,那就会重新调用main函数,也就是在执行一次判断,但是因为我们的url.txt里已经有12条Url地址,所以这次会执行Timer函数。

Timer函数里我们写了一个计时器,防止程序崩溃或者网络崩溃,所以我这里设置了1秒执行一次,其实没有必要这样,一秒钟执行3-8次也是没什么大问题的(本地情况下),如果放在服务器上,那你得看一下自己的服务器配置和带宽配置酌情考虑了偷笑

看一下Timer函数吧:

func Timer() { 
  t := time.NewTimer(time.Second * 1) 
  <-t.C 
  fmt.Print("\n\n\n执行爬抓\n\n") 
  f, _ := os.OpenFile("./data/url.txt", os.O_CREATE|os.O_APPEND|os.O_RDWR, 0666) 
  file, _ := ioutil.ReadAll(f) 
  pageCont, _ := pageVisit(strings.Split(string(file), "\n")[0]) 
  if checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string) != "" { 
    fmt.Print(checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string)) 
    fmt.Print("\n有效内容 => " + checkRegexp(pageCont, regTitle, 0).(string)) 
  } 
  fmt.Print("\n\n待爬抓网址共" + strconv.Itoa(len(strings.Split(string(file), "\n"))-1) + "个 => " + strings.Split(string(file), "\n")[0] + "\n") 
  DelFirstText("./data/url.txt") 
  Timer() 
} 

emm...毫不夸张的表示我看自己的代码都有点吃力

上面的代码创建了一个计时器,时间为一秒。刚开始肯定是先要打开url.txt文件,因为是要做删除和添加操作的,所以打开的模式是读写追加。

pageCont, _ := pageVisit(strings.Split(string(file), "\n")[0]) 

这一句就是获取url.txt里的第一条链接地址,我们要先判断一下这个链接内容是不是我们想要的,所以我又用到了之前封装的一个正则检查的函数。

checkRegexp函数:

func checkRegexp(cont string, reg string, style int) (result interface{}) { 
  check := regexp.MustCompile(reg) 
  switch style { 
  case 0: 
    result = check.FindString(cont) 
  case 1: 
    result = check.FindAllString(cont, -1) 
  default: 
    result = check.FindAll([]byte(cont), -1) 
  } 
  return 
}

所用到的正则 => regTitle、regCheckTitle

var ( 
  // regHref    = `((ht|f)tps?)://[w]{0,3}.baidu.com/link\?[a-zA-z=0-9-\s]*` 
  regTitle   = `<title[\sa-zA-z="-]*>([^x00-xff]|[\sa-zA-Z=-:|,?"])*</title>` 
  regCheckTitle = `(为什么|怎么)*.*([G|g][O|o][L|l][A|a][N|n][G|g]).*(怎么|实现|如何|为什么).*` 
)

regTitle是为了在代码中匹配真标题,因为有些网站为了防止爬虫,做了一些假标题以混淆视听,但是这些小伎俩还是很容易解决的,这个regTitle足以屏蔽掉70%的假标题。

反正爬虫就是要和各大网站斗智斗勇 /手动滑稽

regCheckTitle是为了过滤出这个网址是不是我想要的内容,所以我简单的写了一串正则。这串正则的意思主要是标题要带有为什么、怎么等关键词,然后标题必须有golang或者go的存在,这样的内容基本上是我想要的了。

判断的代码段:

if checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string) != "" { 
  fmt.Print(checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string)) 
  fmt.Print("\n有效内容 => " + checkRegexp(pageCont, regTitle, 0).(string)) 
} 

如果匹配不到,那就跳过这一条链接咯,反正不是我想要的~

DelFirstText("./data/url.txt")

func DelFirstText(file string) { 
  var text = "" 
  f, _ := os.OpenFile(file, os.O_RDWR|os.O_CREATE, 0666) 
  files, _ := ioutil.ReadAll(f) 
  var ss = strings.Split(string(files), "\n") 
  for i := 1; i < len(ss)-1; i++ { 
    text += ss[i] + "\n" 
  } 
  defer f.Close() 
  ioutil.WriteFile(file, []byte(text), 0666) 
  fmt.Print("\n\n删除该地址 => " + ss[0]) 
} 

然后这一段就是说删掉这一条链接地址,如果没有有一段,你的爬虫将不厌其烦的去爬抓第一条链接地址,能一直爬到你的ip被服务器安全程序处理掉微笑

应该有人发现,然后呢?怎么没有把东西入库,怎么没有抓取新的链接。

emm...博主最近有点忙,这一段还没写,不过这些内容已经把爬虫的基本原理都给讲掉了,其实很简单对不对,就是发起http请求,然后通过正则匹配出自己想要的内容,再做后续的入库或者注入新鲜链接地址,让程序一直运行下去就好了。

运行一下:

嗯,就这样,有效内容就过滤出来了。

然后如果想要把文章内容提取出来,只需要一个很简单的正则就可以了,这里的处理步骤其实可以写一个单独的函数来调用。但博主现在还没有写,可能会在第三篇写上,如果访问量破2k的话大笑

为了防止有些地方细节代码没有贴上,我把main.go的代码贴一下吧,也可以进文章底部的链接下载整个程序的代码实例,如果还有问题可以call我,qq在上一篇文章里,就不重复贴了。

main.go:

package main 
 
import ( 
  "fmt" 
  "io" 
  "io/ioutil" 
  "net/http" 
  "os" 
  "regexp" 
  "strconv" 
  "strings" 
  "time" 
) 
 
var ( 
  // regHref    = `((ht|f)tps?)://[w]{0,3}.baidu.com/link\?[a-zA-z=0-9-\s]*` 
  regTitle   = `<title[\sa-zA-z="-]*>([^x00-xff]|[\sa-zA-Z=-:|,?"])*</title>` 
  regCheckTitle = `(为什么|怎么)*.*([G|g][O|o][L|l][A|a][N|n][G|g]).*(怎么|实现|如何|为什么).*` 
) 
 
func main() { 
  if checkFile("./data/", "url.txt").Size() == 0 { 
    fistStart() 
    main() 
  } else { 
    Timer() 
  } 
} 
 
func Timer() { 
  t := time.NewTimer(time.Second * 1) 
  <-t.C 
  fmt.Print("\n\n\n执行爬抓\n\n") 
  f, _ := os.OpenFile("./data/url.txt", os.O_CREATE|os.O_APPEND|os.O_RDWR, 0666) 
  file, _ := ioutil.ReadAll(f) 
  pageCont, _ := pageVisit(strings.Split(string(file), "\n")[0]) 
  if checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string) != "" { 
    fmt.Print(checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string)) 
    fmt.Print("\n有效内容 => " + checkRegexp(pageCont, regTitle, 0).(string)) 
  } 
  fmt.Print("\n\n待爬抓网址共" + strconv.Itoa(len(strings.Split(string(file), "\n"))-1) + "个 => " + strings.Split(string(file), "\n")[0] + "\n") 
  DelFirstText("./data/url.txt") 
  Timer() 
} 
 
func fistStart() { 
  var num int 
  url := "http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&tn=39042058_20_oem_dg&wd=golang%E5%AE%9E%E7%8E%B0&oq=golang%2520%25E5%2588%25A0%25E9%2599%25A4%25E6%2595%25B0%25E7%25BB%2584&rsv_pq=d9be28ec0002df1b&rsv_t=8017GWpSLPhDmKilZQ1StC04EVpUAeLEP90NIm%2Bk5pRh5R9o57NHMO8Gaxm1TtSOo%2FvtJj%2B98%2Fsc&rqlang=cn&rsv_enter=1&inputT=3474&rsv_sug3=16&rsv_sug1=11&rsv_sug7=100&rsv_sug2=0&rsv_sug4=4230" 
  resp, _ := http.Get(url) 
  defer resp.Body.Close() 
  body, _ := ioutil.ReadAll(resp.Body) 
  reg := regexp.MustCompile(`((ht|f)tps?)://[w]{0,3}.baidu.com/link\?[a-zA-z=0-9-\s]*`) 
  f, _ := os.OpenFile("./data/url.txt", os.O_CREATE|os.O_APPEND|os.O_RDWR, 0666) 
  defer f.Close() 
  for _, d := range reg.FindAllString(string(body), -1) { 
    ff, _ := os.OpenFile("./data/url.txt", os.O_RDWR, 0666) 
    file, _ := ioutil.ReadAll(ff) 
    dd := strings.Split(d, "") 
    dddd := "" 
    for _, ddd := range dd { 
      if ddd == "?" { 
        ddd = `\?` 
      } 
      dddd += ddd 
    } 
    if checkRegexp(string(file), dddd, 0).(string) == "" { 
      io.WriteString(f, d+"\n") 
      fmt.Print("\n收集地址:" + d + "\n") 
      num++ 
    } 
    // fmt.Print(string(file)) 
    ff.Close() 
  } 
  fmt.Print("\n首次收集网络地址:" + strconv.Itoa(len(reg.FindAllString(string(body), -1))) + "\n") 
  fmt.Print("\n去重后网络地址数:" + strconv.Itoa(num)) 
  fmt.Print("\n\n首次储存成功!\n") 
} 
 
func pageVisit(url string) (page string, body []byte) { 
  resp, _ := http.Get(url) 
  defer resp.Body.Close() 
  body, _ = ioutil.ReadAll(resp.Body) 
  page = string(body) 
  return 
} 
 
func checkFile(dir string, file string) os.FileInfo { 
  list, _ := ioutil.ReadDir(dir) 
  for _, info := range list { 
    if info.Name() == file { 
      return info 
    } 
  } 
  return list[0] 
} 
 
func saveFile(file string, cont string) { 
  f, _ := os.OpenFile(file, os.O_RDWR|os.O_APPEND|os.O_CREATE, 0666) 
  defer f.Close() 
  io.WriteString(f, cont) 
} 
 
func checkRegexp(cont string, reg string, style int) (result interface{}) { 
  check := regexp.MustCompile(reg) 
  switch style { 
  case 0: 
    result = check.FindString(cont) 
  case 1: 
    result = check.FindAllString(cont, -1) 
  default: 
    result = check.FindAll([]byte(cont), -1) 
  } 
  return 
} 
 
func DelFirstText(file string) { 
  var text = "" 
  f, _ := os.OpenFile(file, os.O_RDWR|os.O_CREATE, 0666) 
  files, _ := ioutil.ReadAll(f) 
  var ss = strings.Split(string(files), "\n") 
  for i := 1; i < len(ss)-1; i++ { 
    text += ss[i] + "\n" 
  } 
  defer f.Close() 
  ioutil.WriteFile(file, []byte(text), 0666) 
  fmt.Print("\n\n删除该地址 => " + ss[0]) 
}

附代码实例:https://download.csdn.net/download/superwebmaster/10415730

• 编辑
• 预览