【数据基础】— 基于Go1.19的站点模板爬虫的实现

目录

1. 定义目标站点

2. 使用Go的库

3. 发送HTTP请求

4. 解析HTML并提取数据

5. 存储数据

6. 并发处理

示例代码

---

基于Go 1.19的站点模板爬虫实现通常涉及几个关键步骤：定义目标站点、解析HTML页面、提取所需数据、存储数据以及可能的并发处理。下面我将详细描述这些步骤，并提供一个简化的示例代码。

1. 定义目标站点

首先，你需要明确你想要爬取的网站及其页面结构。这包括URL、页面中的元素（如类名、ID等），以及你希望提取的数据类型（如文本、链接、图片等）。

2. 使用Go的库

在Go中，net/http 包用于发送HTTP请求，golang.org/x/net/html（或者更常见的，第三方库如goquery，它基于golang.org/x/net/html但提供了更方便的jQuery风格的API）用于解析HTML。

3. 发送HTTP请求

使用net/http客户端发送GET请求到目标URL，并获取响应体。

4. 解析HTML并提取数据

使用goquery（或其他HTML解析库）来解析HTML内容，并使用CSS选择器定位并提取所需的数据。

5. 存储数据

将提取的数据存储到文件、数据库或内存中，具体取决于你的需求。

6. 并发处理

为了加速爬虫的速度，你可以使用Go的并发特性（goroutines和channels）来并行处理多个页面或任务。

示例代码

以下是一个简单的Go爬虫示例，使用goquery来爬取网页标题：

安装goquery库

go get github.com/PuerkitoBio/goquery

爬取指定URL的网页，并提取其标题和所有链接：

//  爬取指定URL的网页，并提取其标题和所有链接
package main  
  
import (  
    "fmt"  
    "io/ioutil"  
    "log"  
    "net/http"  
    "strings"  
    "sync"  
  
    "github.com/PuerkitoBio/goquery"  
)  
  
// fetchHTML 发送HTTP GET请求并返回HTML内容  
func fetchHTML(url string) (string, error) {  
    resp, err := http.Get(url)  
    if err != nil {  
        return "", err  
    }  
    defer resp.Body.Close()  
  
    if resp.StatusCode != http.StatusOK {  
        return "", fmt.Errorf("HTTP error: %d", resp.StatusCode)  
    }  
  
    body, err := ioutil.ReadAll(resp.Body)  
    if err != nil {  
        return "", err  
    }  
  
    return string(body), nil  
}  
  
// parsePage 解析HTML页面并提取标题和链接  
func parsePage(html string) (string, []string, error) {  
    doc, err := goquery.NewDocumentFromReader(strings.NewReader(html))  
    if err != nil {  
        return "", nil, err  
    }  
  
    title := doc.Find("title").Text()  
    links := []string{}  
    doc.Find("a").Each(func(i int, s *goquery.Selection) {  
        href, exists := s.Attr("href")  
        if exists {  
            links = append(links, href)  
        }  
    })  
  
    return title, links, nil  
}  
  
// crawlSite 爬取单个站点的函数  
func crawlSite(url string, wg *sync.WaitGroup) {  
    defer wg.Done()  
  
    html, err := fetchHTML(url)  
    if err != nil {  
        log.Printf("Error fetching URL %s: %v", url, err)  
        return  
    }  
  
    title, links, err := parsePage(html)  
    if err != nil {  
        log.Printf("Error parsing HTML for URL %s: %v", url, err)  
        return  
    }  
  
    fmt.Printf("Title: %s\n", title)  
    for _, link := range links {  
        fmt.Printf("  - Link: %s\n", link)  
    }  
}  
  
func main() {  
    var wg sync.WaitGroup  
  
    // 假设我们只想爬取一个站点  
    url := "http://example.com"  
    wg.Add(1)  
    go crawlSite(url, &wg)  
  
    wg.Wait() // 等待所有goroutine完成  
}  
  
// 注意：如果你想要爬取多个站点或页面，你可以在main函数中为每个站点或页面启动一个新的goroutine，  
// 并适当地调整wg.Add和wg.Wait的调用。

在这个示例中，fetchHTML 函数负责发送HTTP GET请求并返回HTML内容。parsePage 函数使用goquery库来解析HTML并提取标题和所有链接。crawlSite 函数是一个goroutine-safe的函数，用于爬取单个站点的数据。在main函数中，我们为要爬取的站点启动了一个goroutine，并等待它完成。

请注意，这个示例仅展示了如何爬取单个站点的数据。如果你想要爬取多个站点或页面，你可以修改main函数，为每个站点或页面启动一个新的goroutine，并适当管理sync.WaitGroup以确保主goroutine在所有爬取任务完成后才退出。

此外，还需要注意遵守目标网站的robots.txt规则，以及合理设置HTTP请求头（如User-Agent）以避免被网站封禁。在实际应用中，你可能还需要处理重定向、cookies、JavaScript渲染的页面等复杂情况。