学习一下golang 练习70 web crawler (网络爬虫)

第一次,站长亲自招 Gopher 了>>>

之前找了有下web crawler的练习答案. 貌似中文的不多。另外golang.org自从在外面之后,帐前卒每次上都需要到那里都要花些功夫。国内的也有一个移植的(猛击这里)。

最近支付宝的页面也被爬虫爆出来了。不过这应该很久之前的事情了。因为看到了google的搜索,还有2012年8月份的。估计上支付宝那个shenghuo.alipay.com这个domain自从上线就没有加robots.txt. 有兴趣的可以在google上使用 site:shenghuo.alipay.com or 查看 shenghuo.alipay.com/robots.txt.

言归正传, golang的问题是这样的:

package main
import (
	"fmt"
)
type Fetcher interface {
 // Fetch 返回 URL 的 body 内容,并且将在这个页面上找到的 URL 放到一个 slice 中。
	Fetch(url string) (body string, urls []string, err error)
}
// Crawl 使用 fetcher 从某个 URL 开始递归的爬取页面,直到达到最大深度。
func Crawl(url string, depth int, fetcher Fetcher) {
 // TODO: 并行的抓取 URL。
 // TODO: 不重复抓取页面。
 // 下面并没有实现上面两种情况:
	if depth <= 0 {
		return
	}
	body, urls, err := fetcher.Fetch(url)
	if err != nil {
		fmt.Println(err)
		return
	}
	fmt.Printf("found: %s %q\n", url, body)
	for _, u := range urls {
		Crawl(u, depth-1, fetcher)
	}
	return
}
func main() {
	Crawl("http://golang.org/", 4, fetcher)
}
// fakeFetcher 是返回若干结果的 Fetcher。
type fakeFetcher map[string]*fakeResult
type fakeResult struct {
	body string
	urls []string
}
func (f *fakeFetcher) Fetch(url string) (string, []string, error) {
	if res, ok := (*f)[url]; ok {
		return res.body, res.urls, nil
	}
	return "", nil, fmt.Errorf("not found: %s", url)
}
// fetcher 是填充后的 fakeFetcher。
var fetcher = &fakeFetcher{
	"http://golang.org/": &fakeResult{
		"The Go Programming Language",
		[]string{
			"http://golang.org/pkg/",
			"http://golang.org/cmd/",
		},
	},
	"http://golang.org/pkg/": &fakeResult{
		"Packages",
		[]string{
			"http://golang.org/",
			"http://golang.org/cmd/",
			"http://golang.org/pkg/fmt/",
			"http://golang.org/pkg/os/",
		},
	},
	"http://golang.org/pkg/fmt/": &fakeResult{
		"Package fmt",
		[]string{
			"http://golang.org/",
			"http://golang.org/pkg/",
		},
	},
	"http://golang.org/pkg/os/": &fakeResult{
		"Package os",
		[]string{
			"http://golang.org/",
			"http://golang.org/pkg/",
		},
	},
}

然后下面是小卒的解答。最主要的是改写原来的函数。同步map, 然后父节点应在全部子节点退出后再退出。用channel当banner派上用场。当然golang还提供了锁和其他的同步机制。不过帐前 卒还是先用channel吧。另外最好先看看golang的memory model.

下面帐 前卒的代码:

package main
import (
 "fmt"
)
type Fetcher interface {
 // Fetch 返回 URL 的 body 内容,并且将在这个页面上找到的 URL 放到一个 slice 中。
 Fetch(url string) (body string, urls []string, err error)
}
var lockx = make(chan int,1)
// 同步通信使用
func LockFun(f func()) {
 lockx<-1
 f()
 <-lockx
}
var visited map[string]bool = make(map[string]bool)
// Crawl 使用 fetcher 从某个 URL 开始递归的爬取页面,直到达到最大深度。
func Crawl(url string, depth int, fetcher Fetcher, banner chan int) {
 
 if depth <= 0 || visited[url] {
 banner<-1
 return
 }
 body, urls, err := fetcher.Fetch(url)
 LockFun(func(){
 visited[url]=true
 })
 fmt.Printf("found: %s %q\n", url, body)
 if err != nil {
 fmt.Println(err)
 banner<-1
 return
 }
 subBanner := make(chan int, len(urls))
 for _, u := range urls {
 // 并行吧〜〜 
 go Crawl(u, depth-1, fetcher, subBanner);
 }
 for i:=0; i < len(urls); i++ {
 // subBanner用来防止退出
 <-subBanner
 }
 // banner用于让父节点退出
 banner<-1
 return
}
func main() {
 mainBanner := make(chan int,1)
 Crawl("http://golang.org/", 4, fetcher, mainBanner)
 <-mainBanner
}
// fakeFetcher 是返回若干结果的 Fetcher。
type fakeFetcher map[string]*fakeResult
type fakeResult struct {
 body string
 urls []string
}
func (f *fakeFetcher) Fetch(url string) (string, []string, error) {
 if res, ok := (*f)[url]; ok {
 return res.body, res.urls, nil
 }
 return "", nil, fmt.Errorf("not found: %s", url)
}
// fetcher 是填充后的 fakeFetcher。
var fetcher = &fakeFetcher{
 "http://golang.org/": &fakeResult{
 "The Go Programming Language",
 []string{
 "http://golang.org/pkg/",
 "http://golang.org/cmd/",
 },
 },
 "http://golang.org/pkg/": &fakeResult{
 "Packages",
 []string{
 "http://golang.org/",
 "http://golang.org/cmd/",
 "http://golang.org/pkg/fmt/",
 "http://golang.org/pkg/os/",
 },
 },
 "http://golang.org/pkg/fmt/": &fakeResult{
 "Package fmt",
 []string{
 "http://golang.org/",
 "http://golang.org/pkg/",
 },
 },
 "http://golang.org/pkg/os/": &fakeResult{
 "Package os",
 []string{
 "http://golang.org/",
 "http://golang.org/pkg/",
 },
 },
}
 

觉得没有找到类似python的遍历list但是不需要获取值的方法例如 for _, _ := range urls {} 这样就是错误的。另外golang也不能加入不需要的包,变量。帐 前 卒觉得这点...太洁癖了。

暂时就这样吧。

---

本文来自:CSDN博客

感谢作者:cctt_1

查看原文:学习一下golang 练习70 web crawler (网络爬虫)

8296 次点击

上一篇:golang与node.js的http模块性能对比测试(go1)

下一篇:从coreos到docker到golang

http web channel 锁

• 编辑
• 预览