『No20: Golang 爬虫上手指南』

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.

gorequest 文档

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

• 中国票房
• 中影指数
• 懂球帝
• GithubTrending
• 古诗文
• 猫眼票房
• 糯米票房
• Pexels图片社区
• 全球票房排行榜

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。