Golang 爬虫01

目录

• 学习地址：
• 目录站：
• 爬虫概念：
• 工作流程：
• 百度贴吧爬虫实现：
• go实战代码
  • 单进程
    • 实现过程：
  • 并发爬取
    • 实现过程：

学习地址：

https://www.bilibili.com/video/BV1Nt411H7sP?p=4

目录站：

https://tieba.baidu.com/f?kw=绝地求生&ie=utf-8&pn=0

https://tieba.baidu.com/f?kw=绝地求生&ie=utf-8&pn=50

https://tieba.baidu.com/f?kw=绝地求生&ie=utf-8&pn=100

爬虫概念：

访问ｗｅｂ服务器，获取指定数据信息的一段程序．

工作流程：

1. 明确目标Url．
2. 发送请求，获取应答数据包．
3. 保存，过滤数据．提取有用信息．
4. 使用，分析得到数据信息．

百度贴吧爬虫实现：

go实战代码

单进程

实现过程：

1. 提示用户指定起始，终止页．创建working函数．
2. 使用start,end循环爬取每一页数据．
3. 获取第一页的ｕｒｌ--下一页＝前一页＋５０．
4. 封闭实现HttpGet()函数，爬取一个网页的数据内容，通过result返回．
   
   httpGet/resp.Body.Close/buf:=make(4096)/for
5. 创建.html文件．使用循环因子i命名．
6. 将result写入文件WriteString(result)．f.close() 不推荐使用defer.

package main

import (
	"fmt"
	"io"
	"net/http"
	"os"
	"strconv"
)

// HttpGet ...
func HttpGet(url string) (result string, err error) {
	resp, err1 := http.Get(url)
	if err1 != nil {
		err = err1
		return
	}
	defer resp.Body.Close()

	//循环读取网页数据，传出给调用者
	buf := make([]byte, 4096)
	for {
		n, err2 := resp.Body.Read(buf)
		if n == 0 {
			fmt.Println("读取网页完成")
			break
		}
		if err2 != nil && err2 != io.EOF {
			err = err2
			return
		}
		result += string(buf[:n])
	}

	return
}

func working(start, end int) {
	fmt.Printf("正在爬取第%d页到第%d页．．．\n", start, end)
	// 循环爬取第一页的数据
	for i := start; i <= end; i++ {
		url := "https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=" + strconv.Itoa((i-1)*50)
		result, err := HttpGet(url)
		if err != nil {
			fmt.Println("HttpGet err:", err)
			continue
		}
		// fmt.Println("result=", result)
		//将读到的整网页数据，保存为为文件
		f, err := os.Create("第 " + strconv.Itoa(i) + " 页.html")
		if err != nil {
			fmt.Println("Create err:", err)
			continue
		}
		f.WriteString(result)
		f.Close()
	}

}

func main() {

	var start, end int
	fmt.Print("请输入爬取的起始页（＞＝１）：")
	fmt.Scan(&start)
	fmt.Print("请输入爬取的终止页（＞＝start）：")
	fmt.Scan(&end)

	working(start, end)
}

并发爬取

实现过程：

package main

import (
	"fmt"
	"io"
	"net/http"
	"os"
	"strconv"
)

// HttpGet ...
func HttpGet(url string, i int) (result string, err error) {
	resp, err1 := http.Get(url)
	if err1 != nil {
		err = err1
		return
	}
	defer resp.Body.Close()

	//循环读取网页数据，传出给调用者
	buf := make([]byte, 4096)
	for {
		n, err2 := resp.Body.Read(buf)
		if n == 0 {
			fmt.Printf("正在读取第　%d 页\n", i)
			break
		}
		if err2 != nil && err2 != io.EOF {
			err = err2
			return
		}
		result += string(buf[:n])
	}

	return
}

//SpiderPage ...
func SpiderPage(i int, page chan int) {
	url := "https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=" + strconv.Itoa((i-1)*50)
	result, err := HttpGet(url, i)
	if err != nil {
		fmt.Println("HttpGet err:", err)
		return
	}
	// fmt.Println("result=", result)
	//将读到的整网页数据，保存为为文件
	f, err := os.Create("第 " + strconv.Itoa(i) + " 页．html")
	if err != nil {
		fmt.Println("Create err:", err)
		return
	}
	f.WriteString(result)
	f.Close()
	page <- i
}
func working(start, end int) {
	fmt.Printf("正在爬取第%d页到第%d页．．．\n", start, end)

	page := make(chan int)

	// 循环爬取第一页的数据
	for i := start; i <= end; i++ {
		go SpiderPage(i, page)
	}

	for i := start; i < end; i++ {
		fmt.Printf("第 %d 页都页面完成．．．\n", <-page)
	}
}

func main() {

	var start, end int
	fmt.Print("请输入爬取的起始页（＞＝１）：")
	fmt.Scan(&start)
	fmt.Print("请输入爬取的终止页（＞＝start）：")
	fmt.Scan(&end)

	working(start, end)
}