1.jpg
2.jpg
大家好，我叫谢伟，是一名程序员。
我写过很多爬虫，这是我最后一次在文章中内提及爬虫。
本节的主题：Golang 爬虫如何上手。
主要分下面几个步骤：
- 获取网页源代码
- 解析数据
- 存储数据
1. 获取网页源代码
使用原生的 net/http 库进行请求即可：
GET
func GetHttpResponse(url string, ok bool) ([]byte, error) {
request, err := http.NewRequest("GET", url, nil)
if err != nil {
return nil, errors.ErrorRequest
}
request.Header.Add("User-Agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36")
client := http.DefaultClient
response, err := client.Do(request)
if err != nil {
return nil, errors.ErrorResponse
}
defer response.Body.Close()
fmt.Println(response.StatusCode)
if response.StatusCode >= 300 && response.StatusCode <= 500 {
return nil, errors.ErrorStatusCode
}
if ok {
utf8Content := transform.NewReader(response.Body, simplifiedchinese.GBK.NewDecoder())
return ioutil.ReadAll(utf8Content)
} else {
return ioutil.ReadAll(response.Body)
}
}
POST
func PostHttpResponse(url string, body string, ok bool) ([]byte, error) {
payload := strings.NewReader(body)
requests, err := http.NewRequest("POST", url, payload)
if err != nil {
return nil, errors.ErrorRequest
}
requests.Header.Add("Content-Type", "application/x-www-form-urlencoded")
requests.Header.Add("User-Agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36")
client := http.DefaultClient
response, err := client.Do(requests)
if err != nil {
return nil, errors.ErrorResponse
}
fmt.Println(response.StatusCode)
defer response.Body.Close()
if ok {
utf8Content := transform.NewReader(response.Body, simplifiedchinese.GBK.NewDecoder())
return ioutil.ReadAll(utf8Content)
}
return ioutil.ReadAll(response.Body)
}
使用上面两个函数，不管是遇到的请求是Get 或者是 Post 都可以获取到网页源代码，唯一需要注意的可能是Post 请求需要正确的传递参数给请求。
使用原生的库需要写很多的代码，那有没有更简洁一些的写法？
已经有人把原生的 net/http 库，进一步的进行了封装，形成了这样一个库：gorequest.
对外暴露的接口非常的简单：
resp, body, errs := gorequest.New().Get("http://example.com/").End()
一行代码即可完成一次请求。
Post 的请求也可以比较简便的完成：
request := gorequest.New()
resp, body, errs := request.Post("http://example.com").
Set("Notes","gorequst is coming!").
Send(`{"name":"backy", "species":"dog"}`).
End()
上述两种方式，按照自己喜好选择，可以获取到网页源代码。此为第一步。
2. 解析数据
对获取到的网页源代码，我们需要进行进一步的解析，得到我们需要的数据。
依据响应的不同类型，我们可以选择不同的方法。
一般如果响应是 html 格式的数据，那么我们可以很友好的选择正则表达式或者Css 选择器获取到我们需要的内容。
但如果是json 数据呢，那么我们可以使用原生的 encoding/json 库来进行对得倒的数据反序列化，也能将数据获取到。
好，知道了具体的方法，那么我们的目标就是：
- 熟悉正则表达式用法，知道相应的情况下如何编写正则表达式
- 熟悉 json 的序列化和反序列化
- 熟悉 css 选择器各符号代表的意思，能在chrome 调试窗口写出css 选择器
1. 基本思路
- 清晰需要的内容
- 分析网页
- 获取网页信息
- 解析网页信息
2. 分析网页
- Chrome 浏览器审查元素，查看网页源代码
3. 网页响应值的类型
- json: 一般是调用的API，比较好分析，解析json 数据即可
- xml: 不常见
- html: 常见，使用正则表达式、CSS 选择器、XPATH 获取需要的内容
4. 请求的类型
- Get : 常见，直接请求即可
- Post : 需要分析请求的参数，构造请求，向对方服务器端发送请求，再解析响应值
5. 请求头部信息
- Uer-Agent 头部信息
6. 存储
- 本地: text、json、csv
- 数据库: 关系型（postgres、MySQL）, 非关系型（mongodb）, 搜索引擎（elasticsearch）
7. 图片处理
- 请求
- 存储
8. 其他
- 代理: ip 池
- User-Agent: 模拟浏览器
- APP: APP 数据需要使用抓包工具：Mac(Charles)、Windows(Fiddler)(分析出Api)
9. 难点
- 分布式
- 大规模抓取
实例
几大要点
如何获取网页源代码
- 原生 net/http
- gorequest (基于原生的net/http 封装)
Web客户端请求方法
- Get 绝大多少数
- Post
Web服务端响应
- json
- html
Web服务端响应的处理方式
- json: 使用原生的json 序列化，或者使用 gjson （第三方）
- html: 正则表达式、 Css 选择器、Xpath
存储数据方式
- Text
- Json
- Csv
- db
前三种，涉及文件读写；最后者涉及数据库操作
源代码
仅供参考： 参考
全文完，我是谢伟，再会。
