【Go 入门学习】第一篇关于 Go 的博客--Go 爬虫初体验

1、写在前面

　　其实早就该写这一篇博客了，为何一直没有写呢？还不是由于忙不过来（实际上只是由于太懒了）。不过好了，如今终于要开始写这一篇博客了。在看这篇博客以前，可能须要你对 Go 这门语言有些基本的了解，好比基础语法之类的。话很少说，进入正题。

 

2、Go 环境配置

1.安装配置

　　在学习一门语言时，第一步就是环境配置了，Go 也不例外，下面就是 Windows 下 Go 开发环境的配置过程了。

　　首先你须要下载 Go 的安装包，能够打开 Go 语言中文网下载，地址为：https://studygolang.com/dl。

　　下载完成后打开安装（例如安装到 E:\Go 目录），而后配置环境变量，将安装目录下的 bin 目录路径加入环境变量中。这一步完成后打开命令行，输入 go version，若出现版本信息则代表配置成功。

2.配置 GOPATH 和 GOROOT

　　除了要将 bin 目录加入到环境变量中，还要配置 GOPATH 和 GOROOT，步骤以下：

　　在用户变量中新建变量 GOPATH：

　　

 　　在系统变量中新建变量 GOROOT：

　　

 3. 选择 IDE

　　在 IDE 的选择上，我比较推荐使用 jetbrains 家的 GoLand，功能强大，使用起来也很方便。

 

3、下载网页

　　下载网页使用的是 Go 中原生的 http 库，在使用前须要导包，和 Python 同样用 import 导入便可。若是要发送 GET 请求，能够直接使用 http 中的 Get() 方法，例如：

 1 package main
 2 
 3 import (
 4     "fmt"
 5     "net/http"
 6 )
 7 
 8 func main () {
 9     html, err := http.Get("https://www.baidu.com/")
10     if err != nil {
11         fmt.Println(err)
12     }
13     fmt.Println(html)
14 }

　　Get() 方法有两个返回值，html 表示请求的结果，err 表示错误，这里必须对 err 作判断，Go 语言的错误机制就是这样，这里很少作解释。

　　这么用起来确实很简单，可是不能本身设置请求头，若是要构造请求头的话能够参考下面的例子：

1 req, _ := http.NewRequest("GET", url, nil)
2 // Set User-Agent
3 req.Header.Add("UserAgent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36")
4 client := &http.Client{}
5 resp, err := client.Do(req)

 

4、解析网页

1.解析库选择

　　Go 语言中能够用来解析网页的库也是很齐全的，XPath、CSS 选择器和正则表达式都能用。这里我用的是 htmlquery，这个库使用的是 Xpath 选择器。htmlquery 是用于 HTML 的 XPath 数据提取库，可经过 XPath 表达式从 HTML 文档中提取数据。Xpath 语法就不提了，毕竟用 Python 写爬虫的时候没少用。

　　先说下 htmlquery 的安装吧，通常会推荐你使用以下命令安装：

go get github.com/antchfx/htmlquery

　　可是你懂的，出于某些缘由就下载不下来，怎么办呢？对于这种能在 GitHub 上找到的库直接 clone 到本地就好了，记得要复制到你的 GOAPTH 下。

2.使用 htmlquery

　　在使用 htmlquery 这个库的时候，可能会报错说缺乏 golang.org\x\text，和上面的解决办法同样，去 GitHub 上找，而后 clone 下来。

　　下面是 htmlquery 中常用的方法及相应含义：

func Parse(r io.Reader) (*html.Node, error)：  返回给定 Reader 的 HTML 的解析树。

func Find(top *html.Node, expr string) []*html.Node： 搜索与指定 XPath 表达式匹配的 html.Node。

func FindOne(top *html.Node, expr string) *html.Node： 搜索与指定 XPath 表达式匹配的 html.Node，并返回匹配的第一个元素，可简单理解为 FindOne = Find[0]。

func InnerText(n *html.Node) string： 返回对象的开始和结束标记之间的文本。
 
func SelectAttr(n *html.Node, name string) (val string)： 返回指定名称的属性值。

func OutputHTML(n *html.Node, self bool) string： 返回包含标签名称的文本。

 　　下面是使用 htmlquery 解析网页的代码：

 1 // Used to parse html
 2 func parse(html string) {
 3     // Parse html
 4     root, _ := htmlquery.Parse(strings.NewReader(html))
 5     titleList := htmlquery.Find(root, `//*[@id="post_list"]/div/div[2]/h3/a/text()`)
 6     hrefList := htmlquery.Find(root, `//*[@id="post_list"]/div/div[2]/h3/a/@href`)
 7     authorList := htmlquery.Find(root, `//*[@id="post_list"]/div/div[2]/div/a/text()`)
 8 
 9     // Traverse the result
10     for i := range titleList {
11         blog := BlogInfo{}
12         blog.title = htmlquery.InnerText(titleList[i])
13         blog.href = htmlquery.InnerText(hrefList[i])
14         blog.author = htmlquery.InnerText(authorList[i])
15         fmt.Println(blog)
16     }
17 }

　　须要注意的是因为在 Go 语言中不支持使用单引号来表示字符串，而要使用反引号“`”和双引号来表示字符串。而后由于 Find() 方法返回的是一个数组，于是须要遍历其中每个元素，使用 for 循环遍历便可。在 for 循环中使用到的 BlogInfo 是一个结构体，表示一个博客的基本信息，定义以下：

1 // Used to record blog information
2 type BlogInfo struct {
3     title string
4     href string
5     author string
6 }

 

5、Go 并发

 　   在 Go 语言中使用 go 关键字开启一个新的 go 程，也叫 goroutine，开启成功以后，go 关键字后的函数就将在开启的 goroutine 中运行，并不会阻塞当前进程的执行，因此要用 Go 来写并发仍是很容易的。例如：

 1 baseUrl := "https://www.cnblogs.com/"
 2 for i := 2; i < 4; i ++ {
 3     url := baseUrl + "#p" + strconv.Itoa(i)
 4     // fmt.Println(url)
 5     go request(url)
 6 }
 7 
 8 // Wait for goroutine
 9 time.Sleep(2 * time.Second)
10 request(baseUrl)

　　这里除了在主进程中有一个 request()，还开启了两个 go 程来执行 request()。不过要注意的是，一旦主进程结束，其他 Go 程也会结束，因此我这里加了一个两秒钟的等待时间，用于让 Go 程先结束。

 

6、体验总结

　　因为我自己才刚开始学习 Go，就还有不少东西没有学到，因此这个初体验其实还有不少没写到的地方，好比数据保存，去重问题等等，后面会去多看看 Go 的官方文档。固然了，对我来讲，要写爬虫的话仍是会用 Python 来写的，不过仍是得花时间学习新知识，好比使用 Go 作开发，熟悉掌握 Go 语言就是个人下一目标了。

 

　　完整代码已上传到 GitHub！