Golang爬虫入门指南

引言

网络爬虫是一种自动化程序，用于从互联网上收集信息。随着互联网的迅速发展，爬虫技术在各行各业中越来越受欢迎。Golang作为一种高效、并发性好的编程语言，也逐渐成为爬虫开发的首选语言。本文将介绍使用Golang编写爬虫的基础知识和技巧。

一、环境准备

在开始编写Golang爬虫之前，我们需要先准备好开发环境。首先，确保你已经安装了Golang，并配置好了GOPATH。其次，我们需要安装一些必要的库，比如net/http用于发送HTTP请求，golang.org/x/net/html用于解析HTML等。可以使用go get命令来安装这些库。

go get -u golang.org/x/net/html
1

二、发送HTTP请求

在编写爬虫之前，我们需要先了解如何发送HTTP请求。Golang提供了net/http包，可以方便地发送GET和POST请求。

package main

import (
	"fmt"
	"io/ioutil"
	"net/http"
)

func main() {
	resp, err := http.Get("https://www.example.com")
	if err != nil {
		fmt.Println("请求发送失败：", err)
		return
	}
	defer resp.Body.Close()

	body, err := ioutil.ReadAll(resp.Body)
	if err != nil {
		fmt.Println("读取响应失败：", err)
		return
	}

	fmt.Println(string(body))
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

上面的代码中，我们使用http.Get发送了一个GET请求，并得到了响应。然后我们使用ioutil.ReadAll来读取响应的内容，并将其打印出来。

三、解析HTML

一般来说，我们爬取的数据都是存储在HTML中的。因此，我们需要学会如何解析HTML。Golang提供了golang.org/x/net/html包来帮助我们解析HTML。

package main

import (
	"fmt"
	"net/http"
	"golang.org/x/net/html"
)

func main() {
	resp, err := http.Get("https://www.example.com")
	if err != nil {
		fmt.Println("请求发送失败：", err)
		return
	}
	defer resp.Body.Close()

	doc, err := html.Parse(resp.Body)
	if err != nil {
		fmt.Println("解析HTML失败：", err)
		return
	}

	// 在这里进行HTML解析操作...

}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

上面的代码中，我们使用html.Parse函数来解析HTML，并得到一个表示整个HTML文档的树状结构。在这个树状结构中，我们可以使用不同的方法来查找和提取我们需要的数据。

package main

import (
	"fmt"
	"net/http"
	"golang.org/x/net/html"
)

func main() {
	resp, err := http.Get("https://www.example.com")
	if err != nil {
		fmt.Println("请求发送失败：", err)
		return
	}
	defer resp.Body.Close()

	doc, err := html.Parse(resp.Body)
	if err != nil {
		fmt.Println("解析HTML失败：", err)
		return
	}

	findLinks(doc)
}

func findLinks(n *html.Node) {
	if n.Type == html.ElementNode && n.Data == "a" {
		for _, a := range n.Attr {
			if a.Key == "href" {
				fmt.Println(a.Val)
			}
		}
	}

	for c := n.FirstChild; c != nil; c = c.NextSibling {
		findLinks(c)
	}
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38

上面的代码中，我们定义了一个递归函数findLinks来查找HTML中的所有链接。我们使用html.Node的Type和Data属性来判断当前节点是否为标签，并使用Attr属性来获取链接的地址。

四、并发爬虫

并发是Golang的一个重要特性，能够提高爬虫的效率。我们可以使用Golang的并发机制来同时发送多个HTTP请求，加快网页的爬取速度。

package main

import (
	"fmt"
	"net/http"
	"golang.org/x/net/html"
)

func main() {
	urls := []string{
		"https://www.example.com/page1",
		"https://www.example.com/page2",
		"https://www.example.com/page3",
	}

	ch := make(chan string)

	for _, url := range urls {
		go fetch(url, ch)
	}

	for range urls {
		fmt.Println(<-ch)
	}
}

func fetch(url string, ch chan<- string) {
	resp, err := http.Get(url)
	if err != nil {
		ch <- fmt.Sprintf("请求 %s 发送失败：%v", url, err)
		return
	}
	defer resp.Body.Close()

	doc, err := html.Parse(resp.Body)
	if err != nil {
		ch <- fmt.Sprintf("解析 %s 失败：%v", url, err)
		return
	}

	// 在这里进行HTML解析操作...

	ch <- fmt.Sprintf("请求 %s 完成", url)
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44

上面的代码中，我们定义了一个ch通道用于接收爬虫的结果。然后，我们使用go关键字来开启多个协程，每个协程负责爬取一个网页的内容并进行解析。最后，我们使用<-ch来从通道中获取结果并打印出来。

五、数据存储

爬取到的数据通常需要保存到数据库或者文件中。Golang提供了各种数据库驱动和文件操作函数，可以方便地进行数据存储。

package main

import (
	"fmt"
	"net/http"
	"golang.org/x/net/html"
	"os"
	"io"
)

func main() {
	resp, err := http.Get("https://www.example.com")
	if err != nil {
		fmt.Println("请求发送失败：", err)
		return
	}
	defer resp.Body.Close()

	file, err := os.Create("output.html")
	if err != nil {
		fmt.Println("创建文件失败：", err)
		return
	}
	defer file.Close()

	_, err = io.Copy(file, resp.Body)
	if err != nil {
		fmt.Println("保存文件失败：", err)
		return
	}

	fmt.Println("文件保存成功")
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33

上面的代码中，我们使用os.Create函数创建了一个名为output.html的文件，并使用io.Copy函数将HTTP响应的内容保存到文件中。

六、案例

案例一：爬取网页标题

package main

import (
	"fmt"
	"net/http"
	"golang.org/x/net/html"
)

func main() {
	resp, err := http.Get("https://www.example.com")
	if err != nil {
		fmt.Println("请求发送失败：", err)
		return
	}
	defer resp.Body.Close()

	doc, err := html.Parse(resp.Body)
	if err != nil {
		fmt.Println("解析HTML失败：", err)
		return
	}

	title := findTitle(doc)
	fmt.Println("网页标题：", title)
}

func findTitle(n *html.Node) string {
	if n.Type == html.ElementNode && n.Data == "title" {
		return n.FirstChild.Data
	}

	for c := n.FirstChild; c != nil; c = c.NextSibling {
		title := findTitle(c)
		if title != "" {
			return title
		}
	}

	return ""
}
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40

在上面的例子中，我们使用findTitle函数来查找网页的标题。我们通过递归遍历HTML树，如果遇到