Go编程实战:博客备份
学习一门新的编程语言的最佳途径就是用它来编写一个实用程序。
在 “博客备份” 一文中,编写了两个 python 脚本,然后使用一个命令行将博客备份流程串联起来。这里,我们将使用 Go 来实现。
不太熟悉 Go 语言的读者,可以阅读之前写的两篇文章:“Go语言初尝”,“Go 面向对象简明教程”。
整体设计
设计五个 go 函数,分别实现如下功能:
- GetFiles: 从命令行参数获取博文备份文件路径。
- ReadXml: 读取博客备份文件内容(XML格式),返回博文对象。
- GetMdLinks:从博文对象中取出博文链接对象数组。
- WriteMarkdown: 根据博文链接对象,下载 HTML 文件,并转换成 markdown 文件。
- SequentialRun: 使用串行方式,将以上函数串联成一个完整的流程。
为了避免重复在文中粘贴代码,先给出完整程序,读者可以先概览一遍,复制出来,对照解读来看。程序解读会比较简洁,不太明白的地方可以留言哈。
文件内容
为了调试程序,我们仅选取两篇博文内容组成 XML 文件。
/tmp/cnblogs_backup.xml
<?xml version="1.0" encoding="utf-8" standalone="yes"?>
<rss version="2.0"
xmlns:dc="http://purl.org/dc/elements/1.1/"
xmlns:trackback="http://madskills.com/public/xml/rss/module/trackback/"
xmlns:wfw="http://wellformedweb.org/CommentAPI/"
xmlns:slash="http://purl.org/rss/1.0/modules/slash/">
<channel>
<title>博客园-编程大观园</title>
<link>https://www.cnblogs.com/lovesqcc/</link>
<description>Enjoy programming, Enjoy life ~~~ 设计,诗歌与爱</description>
<language>zh-cn</language>
<lastBuildDate>Tue, 07 Feb 2023 14:39:24 GMT</lastBuildDate>
<pubDate>Tue, 07 Feb 2023 14:39:24 GMT</pubDate>
<ttl>60</ttl>
<item>
<title>专业精进之路:构建扎实而有实效的编程知识体系</title>
<link>http://www.cnblogs.com/lovesqcc/archive/2023/02/01/17084292.html</link>
<dc:creator>琴水玉</dc:creator>
<author>琴水玉</author>
<pubDate>Wed, 01 Feb 2023 14:05:00 GMT</pubDate>
<guid>http://www.cnblogs.com/lovesqcc/archive/2023/02/01/17084292.html</guid>
<description>
<![CDATA[ blog content ]]>
</description>
</item>
<item>
<title>知乎一答:什么样的知识是有价值的</title>
<link>http://www.cnblogs.com/lovesqcc/archive/2023/01/29/17072238.html</link>
<dc:creator>琴水玉</dc:creator>
<author>琴水玉</author>
<pubDate>Sun, 29 Jan 2023 03:29:00 GMT</pubDate>
<guid>http://www.cnblogs.com/lovesqcc/archive/2023/01/29/17072238.html</guid>
<description>
<![CDATA[ blog content ]]>
</description>
</item>
</channel>
</rss>
完整程序
执行:
go run blog_backup.go /tmp/cnblogs_backup.xml
或者
go build blog_backup.go
./blog_backup /tmp/cnblogs_backup.xml
blog_backup.go
package main
import (
"fmt"
"os"
"strings"
"encoding/xml"
"io/ioutil"
"net/http"
"github.com/PuerkitoBio/goquery"
"github.com/JohannesKaufmann/html-to-markdown"
)
type BlogRss struct {
XMLName xml.Name `xml:"rss"`
Channel *BlogChannel `xml:channel`
}
type BlogChannel struct {
XMLName xml.Name `xml:"channel"`
Title string `xml:"title"`
Link string `xml:"link"`
Description string `xml:"description"`
Language string `xml:"language"`
LastBuildDate string `xml:"lastBuildDate"`
PubDate string `xml:"pubDate"`
Ttl int `xml:"ttl"`
Items []BlogItem `xml:"item"`
}
type BlogItem struct {
Title string `xml:"title"`
Link string `xml:"link"`
Creator string `xml:"dc:creator"`
Author string `xml:"author"`
PubDate string `xml:"pubDate"`
guid string `xml:"guid"`
Description string `xml:description`
}
type MarkdownFile struct {
Title string
Link string
}
func ReadXml(fpath string) (*BlogRss, error) {
fp,err := os.Open(fpath)
if err != nil {
fmt.Printf("error open file: %s error: %v", fp, err)
return nil, err
}
defer fp.Close()
data, err := ioutil.ReadAll(fp)
if err != nil {
fmt.Printf("error read file: %s error: %v", fpath, err)
return nil, err
}
blogRss := BlogRss{}
err = xml.Unmarshal(data, &blogRss)
if err != nil {
fmt.Printf("error unmarshal xml data: %v error: %v", data, err)
return nil, err
}
blogchannelp := blogRss.Channel
fmt.Printf("%+v\n", *blogchannelp)
blogitems := (*blogchannelp).Items
for _, item := range blogitems {
fmt.Printf("%+v\n", item)
}
return &blogRss, nil
}
func GetMdLinks(blogRss *BlogRss) []MarkdownFile {
blogchannelp := blogRss.Channel
blogitems := (*blogchannelp).Items
mdlinks := make([]MarkdownFile, 0)
for _, item := range blogitems {
mdlinks = append(mdlinks, MarkdownFile{Title: item.Title, Link: item.Link})
}
return mdlinks
}
func GetMdLinksPtr(blogRss *BlogRss) *[]MarkdownFile {
blogchannelp := blogRss.Channel
blogitems := (*blogchannelp).Items
mdlinks := make([]MarkdownFile, 0)
for _, item := range blogitems {
mdlinks = append(mdlinks, MarkdownFile{Title: item.Title, Link: item.Link})
}
return &mdlinks
}
func WriteMarkdown(mdlink MarkdownFile) {
urllink := mdlink.Link
filename := mdlink.Title
resp, err := http.Get(urllink)
if err != nil {
fmt.Printf("error get url: %s error: %v", urllink, err)
}
doc, err := goquery.NewDocumentFromReader(resp.Body)
if err != nil {
fmt.Printf("err: %v", err)
}
postbody := doc.Find("#cnblogs_post_body")
fmt.Printf("%s\n", postbody.Text())
converter := md.NewConverter("", true, nil)
markdown, err := converter.ConvertString(postbody.Text())
if err != nil {
fmt.Printf("err parse html: %v", err)
}
ioutil.WriteFile(filename + ".md", []byte(markdown), 0666)
resp.Body.Close()
}
func SequentialRunMultiple(files []string) {
for _, f := range files {
SequentialRun2(f)
}
}
func SequentialRun(fpath string) {
blogRssp, err := ReadXml(fpath)
if err != nil {
os.Exit(2)
}
mdlinks := GetMdLinks(blogRssp)
for _, mdlink := range mdlinks {
linktrimed := strings.Trim(mdlink.Link, " ")
if linktrimed == "" {
continue
}
WriteMarkdown(mdlink)
}
}
func SequentialRun2(fpath string) {
blogRssp, err := ReadXml(fpath)
if err != nil {
os.Exit(2)
}
mdlinksptr := GetMdLinksPtr(blogRssp)
for i:=0 ; i<len(*mdlinksptr); i++ {
linktrimed := strings.Trim((*mdlinksptr)[i].Link, " ")
if linktrimed == "" {
continue
}
WriteMarkdown((*mdlinksptr)[i])
}
}
func GetFiles() []string {
fpaths := make([]string, 0)
for _, arg := range os.Args[1:] {
argtrimed := strings.Trim(arg, " ")
if argtrimed == "" {
continue
}
fpaths = append(fpaths, argtrimed)
}
fmt.Println(cap(fpaths))
fmt.Println(fpaths)
return fpaths
}
func main() {
SequentialRunMultiple(GetFiles())
}
GetFiles
GetFiles 的作用是从命令行参数获取博客备份文件。支持读取多个博客备份文件。也可以用于测试。比如测试文件不存在的情形。
这里有一个习惯用法。掌握习惯用法,初学者可以很快上手一门新语言。_ 表示用不到,可以忽略这个值。习惯性打印日志,有利于快速排错。
送给编程初学者一句忠告:打几行日志很廉价,但你的时间价值千金。
for _, arg := range os.Args[1:] {
}
ReadXML
解析 XML 的函数见: ReadXml。这里的重点是,要建立与 XML 内容结构对应的 struct 。
要点如下:
- XMLName xml.Name 要定义的元素是包含整个 XML 内容的顶层元素(除开 xml 元素外)。比如,这个 xml 文件的顶层元素是 rss,那么需要定义:XMLName xml.Name
xml:"rss"
。其下是这个 XML 嵌套的具体元素内容。
type BlogRss struct {
XMLName xml.Name `xml:"rss"`
Channel *BlogChannel `xml:channel`
}
- 根据嵌套内容结构,定义对应的嵌套对象:BlogRss => BlogChannel => BlogItem。 每个 struct 对象的属性就是这个对象的子元素。属性首字母大写,是为了能够直接引用对象的字段。
- `xml:"item"` 不要写成 `xml:item` 。 item 要用双引号包起来,不然会解析不出来。
GetMdLinks
这个主要就是结构体遍历操作。对于大量博文来说,直接传入结构体对象切片是开销较大的,可以改成结构体切片指针类型。相应地,可替换成 GetMdLinksPtr 和 SequentialRun2 函数。
注意,go 数组指针不支持指针运算。因此,使用数组指针遍历数组,没有采用 range 方式。
WriteMarkdown
这个函数根据指定链接,下载 HTML 文件,使用 goquery 解析出 HTML 博文内容块,然后使用 html-to-markdown 来生成 Markdown 文件。
基本就是搜索网上相关程序,拼接而成。因此,知识信息搜索能力还是很重要滴。
SequentialRun
这个函数的作用就是串联逻辑以上逻辑单元,构建完整流程。
这里展示了程序模块化的优势。当每个逻辑单元设计成短小而正交的,那么整个流程看起来会很清晰。对于编程初学者,这一点尤为重要。
报错及解决
Go初学者容易犯的错误
- 习惯于写 links = xxx。 报错:undefined: links。 应该写成 links := xxx 。 Go 的赋值语句是 := 。
- 未使用的变量。报错:b declared and not used。 Go 不允许变量定义了但未使用,否则报编译错误。
- 变量声明顺序写反。报错:syntax error: unexpected ], expected operand。这是因为,make([]string, 32) 写成了 make(string[], 32)。变量声明顺序是 变量名 变量类型。
- 变量名和方法名大写,表示变量和方法的包可见权限。很多习惯于写 C 和 Java 的人需要一个适应过程。
- 丢掉返回值。append(links, item.Link) 。报错: append(links, item.Link) (value of type []string) is not used。这是因为 append 返回一个切片,而这个切片被丢弃了。需要写成: links = append(links, item.Link)。
- 不允许导入未使用的包。 报错:"github.com/JohannesKaufmann/html-to-markdown" imported as md and not used
- 多重赋值错误。 报错:Go assignment mismatch: 1 variable but converter.ConvertString returns 2 values。Go 的很多方法都定义了多个返回值,因为要包含错误信息 err。需要写成 markdown, err := converter.ConvertString(postbody.Text())。
- 方法签名的变量定义写错。比如 func SequentialRunMultiple(files []string) 写成了 func SequentialRunMultiple(files) 或者写成了 func SequentialRunMultiple(string[] files) 或者写成了 func SequentialRunMultiple([]string files)。这几种我都犯过了。
Go 的语法可以说是一个“大杂烩”。虽然融合了很多语言的优点,但感觉缺乏一致性。为了编译省事,把很多负担都转移给了开发者。虽说部分做法初衷是好的。作为一位熟悉多门编程语言的多年开发者,我也感觉不太适应,很容易写错。需要一点时间扭转过来。语言使用的不适应感,会阻滞这门语言的快速普及化。将来再出现一门更易于使用的编程语言,这门语言虽然有先发优势,也会被埋没成为小众语言,即使是大牛操刀而成。
依赖报错及解决
与 python 相比, Go 的依赖管理也令人不满意。python 只要安装了 pip,使用 pip install 安装模块,就可以直接使用了。而 Go 报各种问题,且报错不友好,需要去了解详细信息,对初学者不友好。
引入 goquery 后执行 go run blog_backup.go 报错:
go run blog_backup.go
blog_backup.go:9:5: no required module provides package github.com/PuerkitoBio/goquery: go.mod file not found in current directory or any parent directory; see 'go help modules'
安装 goquery,执行如下命令报错:
➜ basic go get -u github.com/PuerkitoBio/goquery
go: go.mod file not found in current directory or any parent directory.
'go get' is no longer supported outside a module.
To build and install a command, use 'go install' with a version,
like 'go install example.com/cmd@latest'
For more information, see https://golang.org/doc/go-get-install-deprecation
or run 'go help get' or 'go help install'.
执行 如下命令又报错:
➜ basic go install github.com/PuerkitoBio/goquery@latest
go: downloading github.com/PuerkitoBio/goquery v1.8.1
go: downloading github.com/andybalholm/cascadia v1.3.1
go: downloading golang.org/x/net v0.7.0
package github.com/PuerkitoBio/goquery is not a main package
解决办法:退回到 go 项目根目录 gostudy,执行:
go mod init gostudy
go get github.com/PuerkitoBio/goquery
go get github.com/JohannesKaufmann/html-to-markdown
小结
本文采用 Go 语言实现了博客备份。学习一门新的编程语言的最佳途径就是用它来编写一个实用程序,尽可能用到大部分语言特性。
是否有必要学习多种编程语言?学习这么多编程语言又有什么益处? “学习多种编程语言的益处”给出了一些思考。“如何掌握一门编程语言的运用 ”给出了学习一门新编程语言的基本步骤和建议。
就学习Go而言,我接触时间并不长,总计只花了不到一周,而且四天都是在写实用程序,语法熟悉大概两天左右。因为我之前学习和使用过 C, Java, Python, Javascript, Shell, Groovy, Scala,HTML,甚至还接触过 Ruby, CommonLisp,所以,对于 Go 的语法和做法的适应还是很快的(语法不新鲜)。“见多识广”,自然对一门新语言的适应期会快速缩短。这也是学习多种编程语言的益处。