ITPub博客

首页 > 架构设计 > 数据架构 > Golang 网络爬虫框架gocolly/colly

Golang 网络爬虫框架gocolly/colly

数据架构 作者:犀牛小牛 时间:2019-01-15 14:27:09 0 删除 编辑

讲解 gocolly Golang 实现的网络爬虫框架,名列 go 版爬虫程序榜首。

安装

go get -u github.com/gocolly/colly/...

例子

import (    "fmt"    "github.com/gocolly/colly")func main() {    c := colly.NewCollector()    c.OnResponse(func(r *colly.Response) {        fmt.Println("IP:", string(r.Body))    })    //c.SetProxy("http://127.0.0.1:1080")    c.Visit("http://ip.cip.cc/")}

SetProxy 函数可以用来配置 HTTP 代理。

colly 的主体是 Collector 对象,管理网络通信和负责在作业运行时执行附加的回掉函数。使用 colly 需要先初始化 Collector

c := colly.NewCollector()

vgo

vgo Go 语言推出的第三方库管理工具,在 Go 语言新版本中使用。

常用的命令行:

·  go help mod  查看帮助。

·  go mod init < 项目模块名称 > 初始化模块,会在项目根目录下生成   go.mod   文件,是可以自己手动编辑的。

依赖包大多在 Github 上,安装依赖可能会出现连接超时等问题,可以配置全局 git 代理:

git config --global http.proxy http://127.0.0.1:1080git config --global https.proxy https://127.0.0.1:1080# 取消代理: git config --global --unset http.proxygit config --global --unset https.proxy

cmd shadowsocks 代理:

set http_proxy=127.0.0.1:1080set https_proxy=127.0.0.1:1080curl cip.ccIP    : 140.206.97.42 地址     :  中国    上海数据二     :  上海市  联通 URL    : http://www.cip.cc/140.206.97.42

Linux 使用 export 设置环境变量,代码同上。

回掉函数的调用顺序

1.  OnRequest  在发起请求前被调用。

2.  OnError  请求过程中如果发生错误被调用。

3.  OnResponse  收到回复后被调用。

4.  OnHTML  OnResponse 之后被调用,如果收到的内容是 HTML 

5.  OnScraped  OnHTML 之后被调用。

官方提供的 Basic 示例 代码:

package mainimport (    "fmt"    "github.com/gocolly/colly")func main() {    // Instantiate default collector    c := colly.NewCollector(        // Visit only domains: hackerspaces.org, wiki.hackerspaces.org        colly.AllowedDomains("hackerspaces.org", "wiki.hackerspaces.org"),    )    // On every a element which has href attribute call callback    c.OnHTML("a[href]", func(e *colly.HTMLElement) {        link := e.Attr("href")        // Print link        fmt.Printf("Link found: %q -> %s\n", e.Text, link)        // Visit link found on page        // Only those links are visited which are in AllowedDomains         c.Visit(e.Request.AbsoluteURL(link))    })    // Before making a request print "Visiting ..."    c.OnRequest(func(r *colly.Request) {        fmt.Println("Visiting", r.URL.String())    })    // Start scraping on https://hackerspaces.org    c.Visit("https://hackerspaces.org/")}

该实例程序仅访问 hackerspaces.org 域内的链接, OnHTML 回掉函数的选择器为 a[href] ,选择页面内具有 href 属性的 a 类型元素,找到链接后继续抓取。 运行的部分结果如下:

Visiting https://hackerspaces.org/Link found: "navigation" -> #column-oneLink found: "search" -> #searchInputLink found: "" -> /File:Cbase07.jpgVisiting https://hackerspaces.org/File:Cbase07.jpgLink found: "navigation" -> #column-oneLink found: "search" -> #searchInputLink found: "File" -> #fileLink found: "File history" -> #filehistoryLink found: "File usage" -> #filelinksLink found: "" -> /images/e/ec/Cbase07.jpgVisiting https://hackerspaces.org/images/e/ec/Cbase07.jpgLink found: "800 × 600 pixels" -> /images/thumb/e/ec/Cbase07.jpg/800px-Cbase07.jpgVisiting https://hackerspaces.org/images/thumb/e/ec/Cbase07.jpg/800px-Cbase07.jpg

 

本文转载自:http://www.xiniudaili.com/tec/article/86.html

来自 “ ITPUB博客 ” ,链接:http://blog.itpub.net/31555707/viewspace-2558361/,如需转载,请注明出处,否则将追究法律责任。

请登录后发表评论 登录
全部评论

注册时间:2018-09-27

  • 博文量
    21
  • 访问量
    19687