是 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(")    c.Visit(")}

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 是 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 config --global https.proxy 取消代理： git config --global --unset http.proxygit config --global --unset https.proxy

cmd 走 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    :

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  在 OnResponse 之后被调用，如果收到的内容是 HTML  。

5.  OnScraped  在 OnHTML 之后被调用。

官方提供的 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  c.Visit(")}

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 found: "navigation" -> #column-oneLink found: "search" -> #searchInputLink found: "" -> /File:Cbase07.jpgVisiting 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：