分享一波GO的爬虫

2021-06-23 本文已影响0人阿兵云原生

分享一波GO的爬虫

分享一波GO的爬虫.jpg

我们一起来回顾一下上一次咱们说到的 使用 GOLANG 发送邮件

Golang+chromedp+goquery 简单爬取动态数据｜Go主题月

分享了邮件，电子邮件是什么
邮件协议有哪些
如何使用GOLANG 发送电子邮件
发送电子邮件如何携带纯文本，HTML内容，附件等
发送邮件，如何抄送，如何密送
如何提高发送邮件的性能

想看看如何使用 GOLANG 发送邮件的，欢迎查看文章如何使用 GOLANG 发送邮件

image

还记得之前我们简单分享了一篇golang 爬取网页动态数据的文章 Golang+chromedp+goquery 简单爬取动态数据｜Go主题月

要是有朋友感兴趣的话，我们可以详细的研究一下这个chromedp框架的使用方式

今天咱们来分享一下使用 GO 来爬取网页的静态数据

啥是静态网页和动态网页呢

什么是静态网页数据呢？

指的是网页中没有程序代码，只有HTML，也就是只有超文本标记语言，后缀名一般是.html , htm , xml 等等
静态网页还有一个特点就是，用户可以直接点击打开，不管任何人任何时间打开的页面的内容都是不变的，html代码固定，效果就固定了

那么顺便说一下什么是动态网页吧

动态网页是一种网页编程技术

动态网页的网页文件中除了HTML标记以外，还包括一些特定功能的程序代码

这些代码主要是用来浏览器和服务器可以交互的，服务器端可以根据客户端的不同请求动态的生成网页内容，很灵活了

也就是说，动态网页的页面代码虽然没有变，可是显示的内容是可以随着时间的流逝、不同的环境，数据库的变化而变化的

GO 来爬取网页的静态数据

咱们爬取静态网页的数据，例如我们爬取这个网站上的静态数据，爬取网页上的账号和密码信息

http://www.ucbug.com/jiaocheng/63149.html?_t=1582307696

咱们爬取这个网站的步骤：

指定一个明确需要爬取的网站
通过 HTTP GET的方式拿到数据
将字节数组转换成字符串
使用正则表达式匹配出我们期望的内容（这里很重要，其实爬取静态网页，处理数据和筛选数据耗费的时间比较多）
筛选数据，去重等操作（这一步根据个人需求，因人而异，因目标网站而异）

image

咱们来写一个DEMO，爬上上述网址的账号和密码信息 ，网页上我们的要的信息是这样的，咱们仅仅是供学习使用，切莫用来做一些不好的事情

image

package main

import (
   "io/ioutil"
   "log"
   "net/http"
   "regexp"
)

const (
   // 正则表达式，匹配出 XL 的账号密码
   reAccount = `(账号|迅雷账号)(；|：)[0-9:]+(| )密码：[0-9a-zA-Z]+`
)

// 获取网站 账号密码
func GetAccountAndPwd(url string) {
   // 获取网站数据
   resp, err := http.Get(url)
   if err !=nil{
      log.Fatal("http.Get error : ",err)
   }
   defer resp.Body.Close()

   // 去读数据内容为 bytes
   dataBytes, err := ioutil.ReadAll(resp.Body)
   if err !=nil{
      log.Fatal("ioutil.ReadAll error : ",err)
   }

   // 字节数组 转换成 字符串
   str := string(dataBytes)

   // 过滤 XL 账号和密码
   re := regexp.MustCompile(reAccount)

   // 匹配多少次， -1 默认是全部
   results := re.FindAllStringSubmatch(str, -1)

   // 输出结果
   for _, result := range results {
      log.Println(result[0])
   }
}

func main() {
   // 简单设置log 参数
   log.SetFlags(log.Lshortfile | log.LstdFlags)
   // 传入网站地址，爬取开始爬取数据
   GetAccountAndPwd("http://www.ucbug.com/jiaocheng/63149.html?_t=1582307696")
}

运行上述代码的结果如下：

2021/06/xx xx:05:25 main.go:46: 账号：357451317 密码：110120a
2021/06/xx xx:05:25 main.go:46: 账号：907812219 密码：810303
2021/06/xx xx:05:25 main.go:46: 账号：797169897 密码：zxcvbnm132
2021/06/xx xx:05:25 main.go:46: 迅雷账号：792253782:1密码：283999
2021/06/xx xx:05:25 main.go:46: 迅雷账号：147643189:2密码：344867
2021/06/xx xx:05:25 main.go:46: 迅雷账号：147643189:1密码：267297

可以看出，账号：开头的数据和 迅雷账号：开头的数据都被我们爬取下来，其实爬取静态网页的内容不难，时间基本上是花在正则表达式匹配和数据处理上面

根据上述爬取网页的步骤，咱们可以列一下：

访问网站 http.Get(url)
读数据内容 ioutil.ReadAll
数据转换成字符串
设置正则匹配的规则 regexp.MustCompile(reAccount)
开始过滤数据，可以设置过滤的数量 re.FindAllStringSubmatch(str, -1)

当然实际工作中，肯定不会那么简单，

例如自己爬取的数据在网站上格式不够统一，特殊字符比较多且比较杂没有规律，甚至数据是动态的，没有办法通过Get的方式拿到

不过上述的问题都是可以解决的，根据不同的问题，设计出不同的方案和数据的处理，相信这一点遇到的朋友一定能够解决掉，面对问题，咱们要有解决问题的决心

image

爬取图片

看了上面的例子，咱们再来试试爬取网页上的图片数据吧，例如在某度上搜索柴犬

是这样的一个页面

image

咱们把url地址栏的url复制粘贴过来，用来爬取数据

https://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=%E6%9F%B4%E7%8A%AC

由于图片比较多，咱们设置只匹配 2 张图片的数据

一起来看看 DEMO

顺便将Get url 数据，并转换成字符串的功能，提取出来，封装成一个小函数
GetPic，专门使用正则表达式进行匹配，可以设置匹配的次数，我们这里就设置匹配 2 次

package main

import (
   "io/ioutil"
   "log"
   "net/http"
   "regexp"
)

const (
   // 正则表达式，匹配出XL的账号密码
   reAccount = `(账号|迅雷账号)(；|：)[0-9:]+(| )密码：[0-9a-zA-Z]+`
   // 正则表达式，匹配出 图片
   rePic = `https?://[^"]+?(\.((jpg)|(png)|(jpeg)|(gif)|(bmp)))`
)

func getStr(url string)string{
   resp, err := http.Get(url)
   if err !=nil{
      log.Fatal("http.Get error : ",err)
   }
   defer resp.Body.Close()

   // 去读数据内容为 bytes
   dataBytes, err := ioutil.ReadAll(resp.Body)
   if err !=nil{
      log.Fatal("ioutil.ReadAll error : ",err)
   }

   // 字节数组 转换成 字符串
   str := string(dataBytes)
   return str
}

// 获取网站 账号密码
func GetAccountAndPwd(url string,n int) {
   str := getStr(url)
   // 过滤 XL 账号和密码
   re := regexp.MustCompile(reAccount)

   // 匹配多少次， -1 默认是全部
   results := re.FindAllStringSubmatch(str, n)

   // 输出结果
   for _, result := range results {
      log.Println(result[0])
   }
}

// 获取网站 账号密码
func GetPic(url string,n int) {

   str := getStr(url)

   // 过滤 图片
   re := regexp.MustCompile(rePic)

   // 匹配多少次， -1 默认是全部
   results := re.FindAllStringSubmatch(str, n)

   // 输出结果
   for _, result := range results {
      log.Println(result[0])
   }
}


func main() {
   // 简单设置l og 参数
   log.SetFlags(log.Lshortfile | log.LstdFlags)
   //GetAccountAndPwd("http://www.ucbug.com/jiaocheng/63149.html?_t=1582307696", -1)
   GetPic("https://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=%E6%9F%B4%E7%8A%AC",2)
}

运行上述代码，结果如下（没有做去重）：

image

2021/06/xx xx:06:39 main.go:63: https://ss1.bdstatic.com/70cFuXSh_Q1YnxGkpoWK1HF6hhy/it/u=4246005838,1103140037&fm=26&gp=0.jpg
2021/06/xx xx:06:39 main.go:63: https://ss1.bdstatic.com/70cFuXSh_Q1YnxGkpoWK1HF6hhy/it/u=4246005838,1103140037&fm=26&gp=0.jpg

果然是我们想要的东西，可是光是打印出来，爬取的都是图片链接，肯定不能满足我们真实爬虫的需求，肯定还是要将爬取到图片下载下来，供我们所用，才是我们想要的

image

咱们这里为了演示方便，我们就在上述代码上面，加上下载文件的小功能，咱们就下载第一张

package main

import (
   "fmt"
   "io/ioutil"
   "log"
   "net/http"
   "regexp"
   "strings"
   "time"
)

const (
   // 正则表达式，匹配出 图片
   rePic = `https?://[^"]+?(\.((jpg)|(png)|(jpeg)|(gif)|(bmp)))`
)

// 获取网页数据，且把数据转成 字符串
func getStr(url string) string {
   resp, err := http.Get(url)
   if err != nil {
      log.Fatal("http.Get error : ", err)
   }
   defer resp.Body.Close()

   // 去读数据内容为 bytes
   dataBytes, err := ioutil.ReadAll(resp.Body)
   if err != nil {
      log.Fatal("ioutil.ReadAll error : ", err)
   }

   // 字节数组 转换成 字符串
   str := string(dataBytes)
   return str
}

// 获取图片数据
func GetPic(url string, n int) {

   str := getStr(url)

   // 过滤 图片
   re := regexp.MustCompile(rePic)

   // 匹配多少次， -1 默认是全部
   results := re.FindAllStringSubmatch(str, n)

   // 输出结果
   for _, result := range results {
      // 获取具体的图片名字
      fileName := GetFilename(result[0])
     // 下载图片
      DownloadPic(result[0], fileName)
   }
}

// 获取到 文件的 名字
func GetFilename(url string) (filename string) {
   // 找到最后一个 = 的索引
   lastIndex := strings.LastIndex(url, "=")
   // 获取 / 后的字符串 ，这就是源文件名
   filename = url[lastIndex+1:]

   // 把时间戳 加 在原来名字前，拼一个新的名字
   prefix := fmt.Sprintf("%d",time.Now().Unix())
   filename = prefix + "_" + filename

   return filename
}

func DownloadPic(url string, filename string) {
   resp, err := http.Get(url)
   if err != nil {
      log.Fatal("http.Get error : ", err)
   }
   defer resp.Body.Close()

   bytes, err := ioutil.ReadAll(resp.Body)
   if err != nil {
      log.Fatal("ioutil.ReadAll error : ", err)
   }

   // 文件存放的路径
   filename = "./" + filename

   // 写文件 并设置文件权限
   err = ioutil.WriteFile(filename, bytes, 0666)
   if err != nil {
      log.Fatal("wirte failed !!", err)
   } else {
      log.Println("ioutil.WriteFile successfully , filename = ", filename)
   }
}

func main() {
   // 简单设置l og 参数
   log.SetFlags(log.Lshortfile | log.LstdFlags)
   GetPic("https://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=%E6%9F%B4%E7%8A%AC", 1)
}

上述代码，咱们加了 2 个函数，辅助我们进行图片名的修改和图片的下载

获取到文件的名字，并使用时间戳重命名， GetFilename
下载具体的图片，下载到当前目录下，DownloadPic

运行上述代码，可以看到如下效果

2021/06/xx xx:50:04 main.go:91: ioutil.WriteFile successfully , filename =  ./1624377003_0.jpg

且当前目录下，已经下载成功了一张图片，名字为 1624377003_0.jpg

image

如下是具体图片的形象照

image

有大兄弟们会说，我一个协程去下载图片太慢了，可不可以下载快一点，多个协程一起去下载呗

并发爬取咱们的小柴犬

咱们还记之前说过的 GO 通道和 sync包 吗？GO通道和 sync 包的分享，正好可以实践一下，这个小功能是比较简单的，说一下大体的思路，大家感兴趣的话，可以去实现一波，

咱们读取上述网址的数据，并转换成字符串
使用正则匹配出对应的一系列图片链接
将每一张图片链接放到一个有缓冲的通道中，暂且设置缓冲区为 100
咱们再开3个协程去并发的读取通道的数据，并下载到本地，文件名的修改方式可以参考上述的编码

怎么样，大兄弟们，小伙伴们，感兴趣的话，可以实践一波，要是对爬取动态数据有想法的话，咱们可以沟通和探讨一下，一起进步

image

总结

分享静态网页和动态网页的简要说明
GO 爬取静态网页简单数据
GO 爬取网页上的图片
并发爬取网页上的资源

欢迎点赞，关注，收藏

朋友们，你的支持和鼓励，是我坚持分享，提高质量的动力

image

好了，本次就到这里，下一次 GO中 gjson 的应用和分享

技术是开放的，我们的心态，更应是开放的。拥抱变化，向阳而生，努力向前行。

我是小魔童哪吒，欢迎点赞关注收藏，下次见~

分享一波GO的爬虫

分享一波GO的爬虫

啥是静态网页和动态网页呢

GO 来爬取网页的静态数据

爬取图片

并发爬取咱们的小柴犬

总结

欢迎点赞，关注，收藏

猜你喜欢

热点阅读