『No20: Golang 爬虫上手指南』

你们好，我叫谢伟，是一名程序员。

我写过不少爬虫，这是我最后一次在文章中内说起爬虫。之后都再也不写了，想要研究其余领域。

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 库进行请求便可：

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)
	}

}
复制代码

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)

}
复制代码

使用上面两个函数，无论是遇到的请求是Get 或者是 Post 均可以获取到网页源代码，惟一须要注意的多是Post 请求须要正确的传递参数给请求。

---

使用原生的库须要写不少的代码，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，造成了这样一个库：gorequest.

gorequest 文档

对外暴露的接口很是的简单：

resp, body, errs := gorequest.New().Get("http://example.com/").End()
复制代码

一行代码便可完成一次请求。

Post 的请求也能够比较简便的完成：

request := gorequest.New()
resp, body, errs := request.Post("http://example.com").
  Set("Notes","gorequst is coming!").
  Send(`{"name":"backy", "species":"dog"}`).
  End()
复制代码

上述两种方式，按照本身喜爱选择，能够获取到网页源代码。此为第一步。

---

2. 解析数据

对获取到的网页源代码，咱们须要进行进一步的解析，获得咱们须要的数据。

依据响应的不一样类型，咱们能够选择不一样的方法。

通常若是响应是 html 格式的数据，那么咱们能够很友好的选择正则表达式或者Css 选择器获取到咱们须要的内容。

但若是是json 数据呢，那么咱们可使用原生的 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，那么咱们的目标就是：

• 熟悉正则表达式用法，知道相应的状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 选择器各符号表明的意思，能在chrome 调试窗口写出css 选择器

---

1. 基本思路

• 清晰须要的内容
• 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: 通常是调用的API，比较好分析，解析json 数据便可
• xml: 不常见
• html: 常见，使用正则表达式、CSS 选择器、XPATH 获取须要的内容

4. 请求的类型

• Get : 常见，直接请求便可
• Post : 须要分析请求的参数，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. 其余

• 代理: ip 池
• User-Agent: 模拟浏览器
• APP: APP 数据须要使用抓包工具：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做

源代码

仅供参考： 参考

---

全文完，我是谢伟，再会。