Golang 原生实现简单爬虫:了解网络爬虫原理

向作者提问
web端全栈工程师,参加过多个项目的策划、系统设计。曾策划一个校园网上超市,收获不少好评,取得一定成绩。互联网还在改变世界,而且越走越远。
查看本场Chat

探索技术的路上本应该自己造轮子,即使市面上有再多的选择,自己动手尝试也是必要的。第一次尝试必然会问题众多,但你解决它是一件很有成就感的事情,这样才能带给你更大的进步和更深刻的领悟。

如果感兴趣的不妨一起来实现一下这个简单的爬虫。

其实用 Golang 实现爬虫是很简单是事情,但也分情况,我们这次的文章就分享一种最简单的爬虫实现方式,用到的官方库如下:

    import (  
        "fmt"  
        "io"  
        "io/ioutil"  
        "net/http"  
        "os"  
        "regexp"  
        "strconv"  
        "strings"  
        "time"  
    )

如果你能单单通过这些库就想到该怎么做了,那你就很棒棒了。

为了让程序能一直运行下去,我们首先要有一个源网页,然后不断爬抓记录新的链接,记录的手段有很多,比如存在数据库、通过 Redis 缓存、存在文本文件,最简单的应该就是存在数据库了,这个看你们的技术偏向了。我打算把爬来的链接储存在文本文件里。

首先,了解自己爬抓的目标,我准备爬取所有的 Golang 相关答疑或者文章,然后翻来覆去很多网站都感觉不适合做源网址,然后灵机一动,百度一下: enter image description here

然后就用这样作为源网址吧:

http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&tn=39042058_20_oem_dg&wd=golang%E5%AE%9E%E7%8E%B0&oq=golang%2520%25E5%2588%25A0%25E9%2599%25A4%25E6%2595%25B0%25E7%25BB%2584&rsv_pq=d9be28ec0002df1b&rsv_t=8017GWpSLPhDmKilZQ1StC04EVpUAeLEP90NIm%2Bk5pRh5R9o57NHMO8Gaxm1TtSOo%2FvtJj%2B98%2Fsc&rqlang=cn&rsv_enter=1&inputT=3474&rsv_sug3=16&rsv_sug1=11&rsv_sug7=100&rsv_sug2=0&rsv_sug4=4230

有了源网址,那下面的事情只要捋顺就好办了。首先我们为了抓取到链接,需要一个正则表达式:

    var (  
        regHref = `((ht|f)tps?)://[w]{0,3}.baidu.com/link\?[a-zA-z=0-9-\s]*`    
    )

因为这个正则表达式我们后面可能会复用,所以可以存到一个全局变量里。

一个爬虫如果不限制分秒爬抓次数,那你的网络肯定会受不了,如果电脑配置不行的话,电脑也会挂掉,所以我们需要写一个计时器,Golang 已经提供了计时器的包 => time:

    func Timer() {  
        t := time.NewTimer(time.Second * 1)  
        <-t.C  
        fmt.Print("\n\n\n执行爬抓\n\n")  
        Timer()  
    }

为什么要写在一个 Timer 函数里?当然是用来调用的。

因为我们存在两种情况,第一次爬取或不是第一次爬取的情况是做不同操作的。那要怎么判断呢?因为我们的链接是储存在 txt 文件里的,所以我们只需要去查 txt 文件是不是为空,如果为空就认为他是第一次执行程序,先访问源网址,否则就按照文件里的链接依次访问。

代码如下:

    func main() {  
        if checkFile("./data/", "url.txt").Size() == 0 {  
            fistStart()  
            main()  
        } else {  
            Timer()  
        }  
    }

那我们先看一下 firstStart() 函数,稍后再解释代码:

    func fistStart() {  
        var num int  
        url := "http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&tn=39042058_20_oem_dg&wd=golang%E5%AE%9E%E7%8E%B0&oq=golang%2520%25E5%2588%25A0%25E9%2599%25A4%25E6%2595%25B0%25E7%25BB%2584&rsv_pq=d9be28ec0002df1b&rsv_t=8017GWpSLPhDmKilZQ1StC04EVpUAeLEP90NIm%2Bk5pRh5R9o57NHMO8Gaxm1TtSOo%2FvtJj%2B98%2Fsc&rqlang=cn&rsv_enter=1&inputT=3474&rsv_sug3=16&rsv_sug1=11&rsv_sug7=100&rsv_sug2=0&rsv_sug4=4230"  
        resp, _ := http.Get(url)  
        defer resp.Body.Close()  
        body, _ := ioutil.ReadAll(resp.Body)  
        reg := regexp.MustCompile(`((ht|f)tps?)://[w]{0,3}.baidu.com/link\?[a-zA-z=0-9-\s]*`)  
        f, _ := os.OpenFile("./data/url.txt", os.O_CREATE|os.O_APPEND|os.O_RDWR, 0666)  
        defer f.Close()  
        for _, d := range reg.FindAllString(string(body), -1) {  
            ff, _ := os.OpenFile("./data/url.txt", os.O_RDWR, 0666)  
            file, _ := ioutil.ReadAll(ff)  
            dd := strings.Split(d, "")  
            dddd := ""  
            for _, ddd := range dd {  
                if ddd == "?" {  
                    ddd = `\?`  
                }  
                dddd += ddd  
            }  
            if checkRegexp(string(file), dddd, 0).(string) == "" {  
                io.WriteString(f, d+"\n")  
                fmt.Print("\n收集地址:" + d + "\n")  
                num++  
            }  
            // fmt.Print(string(file))  
            ff.Close()  
        }  
        fmt.Print("\n首次收集网络地址:" + strconv.Itoa(len(reg.FindAllString(string(body), -1))) + "\n")  
        fmt.Print("\n去重后网络地址数:" + strconv.Itoa(num))  
        fmt.Print("\n\n首次储存成功!\n")  
    }  

其实很简单,就是发起一个 get 请求,然后你会获取到 byte[] 类型的数据,转换成 string 类型之后,就是网页的代码了。

分解一下(了解原理的跳过这段):

    url := "http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&tn=39042058_20_oem_dg&wd=golang%E5%AE%9E%E7%8E%B0&oq=golang%2520%25E5%2588%25A0%25E9%2599%25A4%25E6%2595%25B0%25E7%25BB%2584&rsv_pq=d9be28ec0002df1b&rsv_t=8017GWpSLPhDmKilZQ1StC04EVpUAeLEP90NIm%2Bk5pRh5R9o57NHMO8Gaxm1TtSOo%2FvtJj%2B98%2Fsc&rqlang=cn&rsv_enter=1&inputT=3474&rsv_sug3=16&rsv_sug1=11&rsv_sug7=100&rsv_sug2=0&rsv_sug4=4230"  
    resp, _ := http.Get(url)  
    defer resp.Body.Close()  
    body, _ := ioutil.ReadAll(resp.Body)  
    reg := regexp.MustCompile(`((ht|f)tps?)://[w]{0,3}.baidu.com/link\?[a-zA-z=0-9-\s]*`)  
    f, _ := os.OpenFile("./data/url.txt", os.O_CREATE|os.O_APPEND|os.O_RDWR, 0666)  
    defer f.Close()  

这段主要是发起一个 get 网络请求,然后把请求到的 byte 数据转成 stirng 类型的数据,跳过正则获取匹配链接获取一个链接数组(不过分赘述,如果还不懂 http 请求可以另寻百度)。

    for _, d := range reg.FindAllString(string(body), -1) {  
        ff, _ := os.OpenFile("./data/url.txt", os.O_RDWR, 0666)  
        file, _ := ioutil.ReadAll(ff)  
        dd := strings.Split(d, "")  
        dddd := ""  
        for _, ddd := range dd {  
            if ddd == "?" {  
                ddd = `\?`  
            }  
            dddd += ddd  
        }  
        if checkRegexp(string(file), dddd, 0).(string) == "" {  
            io.WriteString(f, d+"\n")  
            fmt.Print("\n收集地址:" + d + "\n")  
            num++  
        }  
        // fmt.Print(string(file))  
        ff.Close()  
    }  

通过循环数组,首先对链接里的特殊符号做特出处理,然后通过 checkRegexp 函数做查重,就是防止有多个重复链接记录导致浪费资源,最后存入 txt 文件。

checkRegexp 函数:

    func checkRegexp(cont string, reg string, style int) (result interface{}) {  
        check := regexp.MustCompile(reg)  
        switch style {  
        case 0:  
            result = check.FindString(cont)  
        case 1:  
            result = check.FindAllString(cont, -1)  
        default:  
            result = check.FindAll([]byte(cont), -1)  
        }  
        return  
    }  

这里,程序的首次执行已经完成,并可以成功记录爬取的链接了。程序执行如下: enter image description here

程序首次执行成功后,我们已经成功获取了源页面所提供的链接地址。下面我们自然要做的就是通过计时器来爬抓链接列表里的地址。

enter image description here

enter image description here

下一步就是要通过地址列表里的地址逐一爬抓,去掉已经爬抓过的练级,并记录新的有效链接到地址列表里。

再看一下我们的main函数:

    func main() {  
        if checkFile("./data/", "url.txt").Size() == 0 {  
            fistStart()  
            main()  
        } else {  
            Timer()  
        }  
    }  

上面的 firstStart 函数(首次执行爬抓)已经执行过了,那就会重新调用 main 函数,也就是在执行一次判断,但是因为我们的 url.txt 里已经有 12 条 Url 地址,所以这次会执行 Timer 函数。

Timer 函数里我们写了一个计时器,防止程序崩溃或者网络崩溃,所以我这里设置了 1 秒执行一次,其实没有必要这样,一秒钟执行 3-8 次也是没什么大问题的(本地情况下),如果放在服务器上,那你得看一下自己的服务器配置和带宽配置酌情考虑了。

看一下 Timer 函数吧:

    func Timer() {  
        t := time.NewTimer(time.Second * 1)  
        <-t.C  
        fmt.Print("\n\n\n执行爬抓\n\n")  
        f, _ := os.OpenFile("./data/url.txt", os.O_CREATE|os.O_APPEND|os.O_RDWR, 0666)  
        file, _ := ioutil.ReadAll(f)  
        pageCont, _ := pageVisit(strings.Split(string(file), "\n")[0])  
        if checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string) != "" {  
            fmt.Print(checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string))  
            fmt.Print("\n有效内容 => " + checkRegexp(pageCont, regTitle, 0).(string))  
        }  
        fmt.Print("\n\n待爬抓网址共" + strconv.Itoa(len(strings.Split(string(file), "\n"))-1) + "个 => " + strings.Split(string(file), "\n")[0] + "\n")  
        DelFirstText("./data/url.txt")  
        Timer()  
    }  

emm...毫不夸张的表示我看自己的代码都有点吃力。

上面的代码创建了一个计时器,时间为一秒。刚开始肯定是先要打开 url.txt 文件,因为是要做删除和添加操作的,所以打开的模式是读写追加。

[plain] view plain copy
pageCont, _ := pageVisit(strings.Split(string(file), "\n")[0])  

这一句就是获取 url.txt 里的第一条链接地址,我们要先判断一下这个链接内容是不是我们想要的,所以我又用到了之前封装的一个正则检查的函数。

checkRegexp 函数:

    func checkRegexp(cont string, reg string, style int) (result interface{}) {  
        check := regexp.MustCompile(reg)  
        switch style {  
        case 0:  
            result = check.FindString(cont)  
        case 1:  
            result = check.FindAllString(cont, -1)  
        default:  
            result = check.FindAll([]byte(cont), -1)  
        }  
        return  
    }  

所用到的正则 => regTitle、regCheckTitle

    var (  
        // regHref       = `((ht|f)tps?)://[w]{0,3}.baidu.com/link\?[a-zA-z=0-9-\s]*`  
        regTitle      = `<title[\sa-zA-z="-]*>([^x00-xff]|[\sa-zA-Z=-:|,?"])*</title>`  
        regCheckTitle = `(为什么|怎么)*.*([G|g][O|o][L|l][A|a][N|n][G|g]).*(怎么|实现|如何|为什么).*`  
    )  

regTitle 是为了在代码中匹配真标题,因为有些网站为了防止爬虫,做了一些假标题以混淆视听,但是这些小伎俩还是很容易解决的,这个 regTitle 足以屏蔽掉 70% 的假标题。

反正爬虫就是要和各大网站斗智斗勇。

regCheckTitle 是为了过滤出这个网址是不是我想要的内容,所以我简单的写了一串正则。这串正则的意思主要是标题要带有为什么、怎么等关键词,然后标题必须有 Golang 或者 Go 的存在,这样的内容基本上是我想要的了。

判断的代码段:

    if checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string) != "" {  
        fmt.Print(checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string))  
        fmt.Print("\n有效内容 => " + checkRegexp(pageCont, regTitle, 0).(string))  
    }  

如果匹配不到,那就跳过这一条链接咯,反正不是我想要的~

    DelFirstText("./data/url.txt")  
    [plain] view plain copy
    func DelFirstText(file string) {  
        var text = ""  
        f, _ := os.OpenFile(file, os.O_RDWR|os.O_CREATE, 0666)  
        files, _ := ioutil.ReadAll(f)  
        var ss = strings.Split(string(files), "\n")  
        for i := 1; i < len(ss)-1; i++ {  
            text += ss[i] + "\n"  
        }  
        defer f.Close()  
        ioutil.WriteFile(file, []byte(text), 0666)  
        fmt.Print("\n\n删除该地址 => " + ss[0])  
    }  

这一段就是说删掉这一条链接地址,如果没有有一段,你的爬虫将不厌其烦的去爬抓第一条链接地址,能一直爬到你的 IP 被服务器安全程序处理掉。

应该有人发现,然后呢?怎么没有把东西入库,怎么没有抓取新的链接。

emm...最近有点忙,这一段还没写,不过这些内容已经把爬虫的基本原理都给讲掉了,其实很简单对不对,就是发起 http 请求,然后通过正则匹配出自己想要的内容,再做后续的入库或者注入新鲜链接地址,让程序一直运行下去就好了。

运行一下:

enter image description here

嗯,就这样,有效内容就过滤出来了。

然后如果想要把文章内容提取出来,只需要一个很简单的正则就可以了,这里的处理步骤其实可以写一个单独的函数来调用。但博主现在还没有写,可能会在第三篇写上,如果访问量破2k的话大笑

为了防止有些地方细节代码没有贴上,我把 main.go 的代码贴一下吧,也可以进文章底部的链接下载整个程序的代码实例。

别跑,文章精髓内容在底部的总结,可以往下翻翻看一下。

main.go:

    package main  

    import (  
        "fmt"  
        "io"  
        "io/ioutil"  
        "net/http"  
        "os"  
        "regexp"  
        "strconv"  
        "strings"  
        "time"  
    )  

    var (  
        // regHref       = `((ht|f)tps?)://[w]{0,3}.baidu.com/link\?[a-zA-z=0-9-\s]*`  
        regTitle      = `<title[\sa-zA-z="-]*>([^x00-xff]|[\sa-zA-Z=-:|,?"])*</title>`  
        regCheckTitle = `(为什么|怎么)*.*([G|g][O|o][L|l][A|a][N|n][G|g]).*(怎么|实现|如何|为什么).*`  
    )  

    func main() {  
        if checkFile("./data/", "url.txt").Size() == 0 {  
            fistStart()  
            main()  
        } else {  
            Timer()  
        }  
    }  

    func Timer() {  
        t := time.NewTimer(time.Second * 1)  
        <-t.C  
        fmt.Print("\n\n\n执行爬抓\n\n")  
        f, _ := os.OpenFile("./data/url.txt", os.O_CREATE|os.O_APPEND|os.O_RDWR, 0666)  
        file, _ := ioutil.ReadAll(f)  
        pageCont, _ := pageVisit(strings.Split(string(file), "\n")[0])  
        if checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string) != "" {  
            fmt.Print(checkRegexp(checkRegexp(pageCont, regTitle, 0).(string), regCheckTitle, 0).(string))  
            fmt.Print("\n有效内容 => " + checkRegexp(pageCont, regTitle, 0).(string))  
        }  
        fmt.Print("\n\n待爬抓网址共" + strconv.Itoa(len(strings.Split(string(file), "\n"))-1) + "个 => " + strings.Split(string(file), "\n")[0] + "\n")  
        DelFirstText("./data/url.txt")  
        Timer()  
    }  

    func fistStart() {  
        var num int  
        url := "http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&tn=39042058_20_oem_dg&wd=golang%E5%AE%9E%E7%8E%B0&oq=golang%2520%25E5%2588%25A0%25E9%2599%25A4%25E6%2595%25B0%25E7%25BB%2584&rsv_pq=d9be28ec0002df1b&rsv_t=8017GWpSLPhDmKilZQ1StC04EVpUAeLEP90NIm%2Bk5pRh5R9o57NHMO8Gaxm1TtSOo%2FvtJj%2B98%2Fsc&rqlang=cn&rsv_enter=1&inputT=3474&rsv_sug3=16&rsv_sug1=11&rsv_sug7=100&rsv_sug2=0&rsv_sug4=4230"  
        resp, _ := http.Get(url)  
        defer resp.Body.Close()  
        body, _ := ioutil.ReadAll(resp.Body)  
        reg := regexp.MustCompile(`((ht|f)tps?)://[w]{0,3}.baidu.com/link\?[a-zA-z=0-9-\s]*`)  
        f, _ := os.OpenFile("./data/url.txt", os.O_CREATE|os.O_APPEND|os.O_RDWR, 0666)  
        defer f.Close()  
        for _, d := range reg.FindAllString(string(body), -1) {  
            ff, _ := os.OpenFile("./data/url.txt", os.O_RDWR, 0666)  
            file, _ := ioutil.ReadAll(ff)  
            dd := strings.Split(d, "")  
            dddd := ""  
            for _, ddd := range dd {  
                if ddd == "?" {  
                    ddd = `\?`  
                }  
                dddd += ddd  
            }  
            if checkRegexp(string(file), dddd, 0).(string) == "" {  
                io.WriteString(f, d+"\n")  
                fmt.Print("\n收集地址:" + d + "\n")  
                num++  
            }  
            // fmt.Print(string(file))  
            ff.Close()  
        }  
        fmt.Print("\n首次收集网络地址:" + strconv.Itoa(len(reg.FindAllString(string(body), -1))) + "\n")  
        fmt.Print("\n去重后网络地址数:" + strconv.Itoa(num))  
        fmt.Print("\n\n首次储存成功!\n")  
    }  

    func pageVisit(url string) (page string, body []byte) {  
        resp, _ := http.Get(url)  
        defer resp.Body.Close()  
        body, _ = ioutil.ReadAll(resp.Body)  
        page = string(body)  
        return  
    }  

    func checkFile(dir string, file string) os.FileInfo {  
        list, _ := ioutil.ReadDir(dir)  
        for _, info := range list {  
            if info.Name() == file {  
                return info  
            }  
        }  
        return list[0]  
    }  

    func saveFile(file string, cont string) {  
        f, _ := os.OpenFile(file, os.O_RDWR|os.O_APPEND|os.O_CREATE, 0666)  
        defer f.Close()  
        io.WriteString(f, cont)  
    }  

    func checkRegexp(cont string, reg string, style int) (result interface{}) {  
        check := regexp.MustCompile(reg)  
        switch style {  
        case 0:  
            result = check.FindString(cont)  
        case 1:  
            result = check.FindAllString(cont, -1)  
        default:  
            result = check.FindAll([]byte(cont), -1)  
        }  
        return  
    }  

    func DelFirstText(file string) {  
        var text = ""  
        f, _ := os.OpenFile(file, os.O_RDWR|os.O_CREATE, 0666)  
        files, _ := ioutil.ReadAll(f)  
        var ss = strings.Split(string(files), "\n")  
        for i := 1; i < len(ss)-1; i++ {  
            text += ss[i] + "\n"  
        }  
        defer f.Close()  
        ioutil.WriteFile(file, []byte(text), 0666)  
        fmt.Print("\n\n删除该地址 => " + ss[0])  
    }

附代码实例:

https://download.csdn.net/download/superwebmaster/10415730

最后当然是总结了:

其实爬虫的基本原理的很简单的,步骤总的分为以下几步:

  1. 爬虫目标,没有一个目标的爬虫是没有灵魂的爬虫
  2. 自定一个源页面,也就是爬虫入口,用于获取更多资源链接
  3. 发送 http 请求,获取页面内容
  4. 过滤无效内容,防止浪费资源
  5. 解析页面,匹配出自己想要的内容
  6. 将匹配出来的有效内容入库储存
  7. 注入新鲜血液(新的链接)让程序不断执行下去

这是一个最基本的爬虫功能,如果想要拓展下去,其实还有很多的玩法。深入下去你也会发现更多的问题。

因为有些网站为了防爬虫,特地把数据请求留给 Ajax,所以你爬到的页面可能是完全没有内容的,这时候,你就需要和目标网站斗智斗勇,毕竟上有政策,下有对策,办法总比困难多的。

爬虫的原理,基本上已经解释清楚了,代码的逻辑是相通的,只要理解了原理,用任何编程语言实现起来其实都是可以的。

如果有任何问题都可以在 GitChat 读者圈提问,我会尽量在最快的时间里回答大家的问题。也可以加个人 QQ 私下讨论:625366394,咱们也可以玩一些更好玩的东西,如果你愿意的话。


本文首发于GitChat,未经授权不得转载,转载需与GitChat联系。

微信扫描登录