《Go语言四十二章经》第四十一章 网络爬虫

作者：李骁

41.1 go-colly

go-colly是用Go实现的网络爬虫框架。go-colly快速优雅，在单核上每秒可以发起1K以上请求；以回调函数的形式提供了一组接口，可以实现任意类型的爬虫。

Colly 特性：

清晰的API
快速（单个内核上的请求数大于1k）
管理每个域的请求延迟和最大并发数
自动cookie 和会话处理
同步/异步/并行抓取
高速缓存
自动处理非Unicode的编码
Robots.txt 支持

下面是官方提供的抓取例子：

  1. package main
  3. import (
  4.     "fmt"
  6.     "github.com/gocolly/colly"
  7. )
  9. func main() {
  10.     c := colly.NewCollector()
  12.     // Find and visit all links
  13.     c.OnHTML("a[href]", func(e *colly.HTMLElement) {
  14.         e.Request.Visit(e.Attr("href"))
  15.     })
  17.     c.OnRequest(func(r *colly.Request) {
  18.         fmt.Println("Visiting", r.URL)
  19.     })
  21.     c.Visit("http://go-colly.org/")
  22. }

程序输出：

  1. Visiting http://go-colly.org/
  2. Visiting http://go-colly.org/docs/
  3. Visiting http://go-colly.org/articles/
  4. Visiting http://go-colly.org/services/
  5. Visiting http://go-colly.org/datasets/
  6. ......

Colly大致的使用说明：

在代码中导入包：

  1. import "github.com/gocolly/colly"

colly的主体是Collector对象，管理网络通信和负责在作业运行时执行附加的回掉函数。使用colly需要先初始化Collector：

  1. c := colly.NewCollector()

可以向colly附加各种不同类型的回调函数，来控制收集作业或获取信息：
回调函数的调用顺序如下：

  1. OnRequest
    在发起请求前被调用

  2. OnError
    请求过程中如果发生错误被调用

  3. OnResponse
    收到回复后被调用

  4. OnHTML
    在OnResponse之后被调用，如果收到的内容是HTML

  5. OnScraped
    在OnHTML之后被调用

41.2 goquery
colly框架配合goquery库，功能更加强大。goquery将jQuery的语法和特性引入到了Go语言中，可以更灵活地选择采集内容的数据项。

  1. package main
  3. import (
  4.     "bytes"
  5.     "fmt"
  6.     "log"
  7.     "net/url"
  8.     "time"
  10.     "github.com/PuerkitoBio/goquery"
  11.     "github.com/gocolly/colly"
  12. )
  14. func main() {
  15.     urlstr := "http://metalsucks.net"
  16.     u, err := url.Parse(urlstr)
  17.     if err != nil {
  18.         log.Fatal(err)
  19.     }
  20.     c := colly.NewCollector()
  21.     c.SetRequestTimeout(100 * time.Second)
  22.     // 指定Agent信息
  23.     c.UserAgent = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.108 Safari/537.36"
  24.     c.OnRequest(func(r *colly.Request) {
  25.         r.Headers.Set("Host", u.Host)
  26.         r.Headers.Set("Connection", "keep-alive")
  27.         r.Headers.Set("Accept", "*/*")
  28.         r.Headers.Set("Origin", u.Host)
  29.         r.Headers.Set("Referer", urlstr)
  30.         r.Headers.Set("Accept-Encoding", "gzip, deflate")
  31.         r.Headers.Set("Accept-Language", "zh-CN, zh;q=0.9")
  32.     })
  34.     c.OnResponse(func(resp *colly.Response) {
  35.         // 读取url内容 colly读取的内容传入给goquery
  36.         htmlDoc, err := goquery.NewDocumentFromReader(bytes.NewReader(resp.Body))
  37.         if err != nil {
  38.             log.Fatal(err)
  39.         }
  41.         // 找到抓取项
  42.         htmlDoc.Find(".sidebar-reviews article .content-block").Each(func(i int, s *goquery.Selection) {
  43.             band := s.Find("a").Text()
  44.             title := s.Find("i").Text()
  45.             fmt.Printf("Review %d: %s - %s\n", i, band, title)
  46.         })
  47.     })
  48.     c.OnError(func(resp *colly.Response, errHttp error) {
  49.         err = errHttp
  50.     })
  51.     err = c.Visit(urlstr)
  52. }

程序输出：

  1. Review 0: Obscura - Diluvium
  2. Review 1: Skeletonwitch - Devouring Radiant Light
  3. Review 2: Deafheaven - Ordinary Corrupt Human Love
  4. Review 3: Between the Buried and Me - Automata II
  5. Review 4: Chelsea Grin - Eternal Nightmare

Colly + goquery 是抓取网络内容的利器，使用上极其方便。如今动态渲染的页面越来越多，爬虫们或多或少都需要用到headless browser来渲染待爬取的页面，这里推荐chromedp，开源网址：https://github.com/chromedp/chromedp