Golang 网络爬虫框架gocolly/colly 五 获取动态数据

gcocolly+goquery可以非常好地抓取HTML页面中的数据,但碰到页面是由Javascript动态生成时,用goquery就显得捉襟见肘了。解决方法有很多种,一,最笨拙但有效的方法是字符串处理,go语言string底层对应字节数组,复制任何长度的字符串的开销都很低廉,搜索性能比较高;二,利用正则表达式,要提取的数据往往有明显的特征,所以正则表达式写起来比较简单,不必非常严谨;三,使用浏览器控件,比如webloop;四,直接操纵浏览器,比如chromedp。一和二需要goquery提取javascript,然后再提取数据,速度非常快;三和四不需要分析脚本,在浏览器执行JavaScript生成页面后再提取,是比较偷懒的方式,但缺点是执行速度很慢,如果在脚本非常复杂、懒得分析脚本的情况下,牺牲下速度也是不错的选择。

不同的场景,做不同的选择。中证指数有限公司下载中心提供了行业市盈率下载,数据文件的Url在页面的脚本中,脚本简单且特征明显,直接用正则表达式的方式是最好的选择。

下载地址对应一段脚本

<a href="javascript:;" class="ml-20 dl download1">下载<i class="i_icon i_icon_rar ml-5"></i></a>
<script>

$(function() {

//切换

$('.hysyl_con').rTabs({

bind: 'click',

auto: false,

});

tabs($('.snav .tab_item'),$('.sCon .tab-con-item'));

tabs($('.snav2 .tab_item'),$('.sCon2 .tab-con-item'));

tabs($('.snav3 .tab_item'),$('.sCon3 .tab-con-item'));

$("#search_code1").on("click",function(){

            var csrc_code = $("#csrc_code1").val();

            if (csrc_code == '') {

                return false;

            }

            var url = "http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio-detail?date=2018-01-19&class=1&search=1&csrc_code="+csrc_code;

            $("#link_1").attr('href', url);

         document.getElementById("link_1").click();

        })

        $("#search_code2").on("click",function(){

            var csrc_code = $("#csrc_code2").val();

            if (csrc_code == '') {

                return false;

            }

            var url = "http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio-detail?date=2018-01-19&class=1&search=1&csrc_code="+csrc_code;

            $("#link_2").attr('href', url);

         document.getElementById("link_2").click();

        })

})

$(".download1").on("click",function(){

        var date = $(".date1").val();

        date = date.replace(/\-/g, '');

        if (date) {

         $("#link1").attr('href', 'http://115.29.204.48/syl/'+date+'.zip');

         document.getElementById("link1").click();

        }

    });

$(".download2").on("click",function(){

        var date = $(".date2").val();

        date = date.replace(/\-/g, '');

        if (date) {

         $("#link2").attr('href', 'http://115.29.204.48/syl/csi'+date+'.zip');

         document.getElementById("link2").click();

        }

    });

$(".download3").on("click",function(){

        var date = $(".date3").val();

        date = date.replace(/\-/g, '');

        if (date) {

         $("#link3").attr('href', 'http://115.29.204.48/syl/bk'+date+'.zip');

         document.getElementById("link3").click();

        }

    });

</script>

点击下载时,为link1元素生成href属性,然后点击link1,这需要用gocolly+goquery提取date,然后获取服务器地址http://115.29.204.48/,根据获取文件的类型拼接字符串生成下载地址。

获取交易日期

 sTime := ""

    var bodyData []byte

    c:= colly.NewCollector()

    c.OnResponse(func (resp *colly.Response) {

        bodyData = resp.Body

    })

    c.OnHTML("input[name=date]",func (el *colly.HTMLElement) {

        sTime = el.Attr("value")

    })

    err = c.Visit("http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio")

    if err != nil {

        return

    }

  

获取文件服务器地址,下载zip文件

    htmlDoc,err := goquery.NewDocumentFromReader(bytes.NewReader(bodyData))

    if err != nil {

        return

    }

    scripts := htmlDoc.Find("script")

    destScript := ""

    for _,n := range scripts.Nodes {

        if n.FirstChild != nil {

            if strings.Contains(n.FirstChild.Data,"syl/csi") && strings.Contains(n.FirstChild.Data,".download2"){

                destScript = n.FirstChild.Data

                break

            }

        }

    }

    re,err := regexp.Compile("http://[0-9]+.[0-9]+.[0-9]+.[0-9]+/syl/csi")

    if err != nil {

        log.Fatal(err)

    }

    result := re.FindString(destScript)

    pos := strings.LastIndex(result,"/")

    parentUrl := result[0:pos+1]

    link := parentUrl

    sTime = strings.Replace(sTime,"-","",-1)

    fileName := ""

    if t == ZhengJjianHuiHangYePERatio {

        fileName = fmt.Sprintf("%s.zip",sTime)      

        link += fileName

        fileName = "zjh"+fileName

    }else if t == ZhongZhengHangYePERatio {

        fileName = fmt.Sprintf("csi%s.zip",sTime)

        link += fileName

    }else {

        fileName = fmt.Sprintf("bk%s.zip",sTime)

        link += fileName

    }

    fmt.Println(link)

    cli:=http.Client{}

    resp,err := cli.Get(link)

    if err != nil {

        return

    }

defer resp.Body.Close()

    fullFileName := fmt.Sprintf("%s/%s",filePath,fileName)

    if resp.StatusCode == 200 {

        allBody,err := ioutil.ReadAll(resp.Body)

        if err != nil {

            return err

        }

        err = ioutil.WriteFile(fullFileName,allBody,0666)

        if err != nil {

            return err

        }

    }else{

        err = fmt.Errorf("bad resp.%d",resp.StatusCode)

        return 

    }

    err = archiver.Zip.Open(fullFileName, filePath)

  

在脚本里匹配服务器ip地址用 http://[0-9]+.[0-9]+.[0-9]+.[0-9]+/syl/csi

,因为前后都有限定元素,所以写得比较简单;如果没有前后限定条件,设计正则表达式就得多费心了,复杂的正则表达式会吓跑很多人。不过没关系,稍微了解一些正则表达式的知识,就可以用在爬虫上了。

下载的文件是excel(.xls格式)的zip压缩包,解压缩操纵及xls读取后面再介绍。

转载请注明出处:https://www.cnblogs.com/majianguo/

Golang 网络爬虫框架gocolly/colly 五 获取动态数据的更多相关文章

  1. Golang 网络爬虫框架gocolly/colly 四

    Golang 网络爬虫框架gocolly/colly 四 爬虫靠演技,表演得越像浏览器,抓取数据越容易,这是我多年爬虫经验的感悟.回顾下个人的爬虫经历,共分三个阶段:第一阶段,09年左右开始接触爬虫, ...

  2. Golang 网络爬虫框架gocolly/colly 一

    Golang 网络爬虫框架gocolly/colly 一 gocolly是用go实现的网络爬虫框架,目前在github上具有3400+星,名列go版爬虫程序榜首.gocolly快速优雅,在单核上每秒可 ...

  3. Golang 网络爬虫框架gocolly/colly 三

    Golang 网络爬虫框架gocolly/colly 三 熟悉了<Golang 网络爬虫框架gocolly/colly一>和<Golang 网络爬虫框架gocolly/colly二& ...

  4. Golang 网络爬虫框架gocolly/colly 二 jQuery selector

    Golang 网络爬虫框架gocolly/colly 二 jQuery selector colly框架依赖goquery库,goquery将jQuery的语法和特性引入到了go语言中.如果要灵活自如 ...

  5. 试验一下Golang 网络爬虫框架gocolly/colly

    参考:http://www.cnblogs.com/majianguo/p/8186429.html 框架源码在 github.com/gocolly/colly 代码如下(github源码中的dem ...

  6. 基于java的网络爬虫框架(实现京东数据的爬取,并将插入数据库)

    原文地址http://blog.csdn.net/qy20115549/article/details/52203722 本文为原创博客,仅供技术学习使用.未经允许,禁止将其复制下来上传到百度文库等平 ...

  7. 网络爬虫框架Scrapy简介

    作者: 黄进(QQ:7149101) 一. 网络爬虫 网络爬虫(又被称为网页蜘蛛,网络机器人),是一种按照一定的规则,自动地抓取万维网信息的程序或者脚本:它是一个自动提取网页的程序,它为搜索引擎从万维 ...

  8. [原创]一款基于Reactor线程模型的java网络爬虫框架

    AJSprider 概述 AJSprider是笔者基于Reactor线程模式+Jsoup+HttpClient封装的一款轻量级java多线程网络爬虫框架,简单上手,小白也能玩爬虫, 使用本框架,只需要 ...

  9. Python爬虫框架Scrapy实例(三)数据存储到MongoDB

    Python爬虫框架Scrapy实例(三)数据存储到MongoDB任务目标:爬取豆瓣电影top250,将数据存储到MongoDB中. items.py文件复制代码# -*- coding: utf-8 ...

随机推荐

  1. SSH连接工具:SecureCRT设置,另一个SSH连接工具:Xshell。在Windows和Linux之间互传文件可用WinSCP

    一般Linux发行版不允许root远程登录,CentOS允许. 调整字体大小:

  2. HTML5 高级系列:web Storage

    前言 HTML5 的 web Storage 存储方式有两种:localStorage 和 sessionStorage. 这两种方式都是通过键值对保存数据,存取方便,不影响网站性能.他们的用法相同, ...

  3. layui样式修改记录

    记录以免遗忘: .layui-elem-quote{ padding 15 改为 5 }

  4. 挑战App Store,微信通过“跳一跳”秀了一下“小程序”的肌肉

    2017年即将结束的时候,微信放了一个大招.随着最新的微信v6.6.1版本更新,基于小程序的"小游戏"板块正式上线.微信上首发的这款"小游戏"叫"跳一 ...

  5. ToolStrip和MenuStrip控件簡介及常用屬性(转)

    ToolStrip和MenuStrip實際上是相同的控件,因為MenuStrip直接派生於ToolStrip.也就是說ToolStrip可以做的工作,MenuStrip也能完成. ToolStrip( ...

  6. bzoj 2753: [SCOI2012]滑雪与时间胶囊

    Description a180285非常喜欢滑雪.他来到一座雪山,这里分布着M条供滑行的轨道和N个轨道之间的交点(同时也是景点),而且每个景点都有一编号i(1<=i<=N)和一高度Hi. ...

  7. 78、excel的读写操作

    本篇主要是用python来自动生成excel数据文件也就是简单的excel读写操作.python读写excel文件主要是第三方模块库xlrd.xlwt. 本篇导航: 写excel 读excel 一.写 ...

  8. .net 委托的使用方法以及使用委托的好处

    使用方法: //无返回值无参数委托的定义方法 public delegate void NoReturnPara(); 给委托赋值的几种方式 //实例化委托,并传入方法 NoReturbNoPara ...

  9. java 实现的c当中的几道题

    package javastudy; /* * 利用条件运算符的嵌套来完成此题:学习成绩>=90分的同学用A表示,60-89分之间的用B表示, 60分以下的用C表示. */ import jav ...

  10. 根据图片的路径(绝对路径/相对路径都可以),生成base64的

    根据图片的路径(绝对路径/相对路径都可以),生成base64的 <!DOCTYPE html> <html> <head> <meta charset=&qu ...