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，在单核上每秒可以发起1K以上请求；以回调函数的形式提供了一组接口，可以实现任意类型的爬虫；依赖goquery库可以像jquery一样选择web元素。
gocolly的官方网站是http://go-colly.org/，提供了详细的文档和示例代码。安装colly:
go get -u github.com/gocolly/colly/...
在代码中导入包：
import "github.com/gocolly/colly"
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()
可以向colly附加各种不同类型的回掉函数，来控制收集作业或获取信息。增加回掉函数：
c.OnRequest(func(r *colly.Request) {
fmt.Println("Visiting", r.URL)
})
c.OnError(func(_ *colly.Response, err error) {
log.Println("Something went wrong:", err)
})
c.OnResponse(func(r *colly.Response) {
fmt.Println("Visited", r.URL)
})
c.OnHTML("a[href]", func(e *colly.HTMLElement) {
e.Request.Visit(e.Attr("href"))
})
c.OnHTML("tr td:nth-of-type(1)", func(e *colly.HTMLElement) {
fmt.Println("First column of a table row:", e.Text)
})
c.OnScraped(func(r *colly.Response) {
fmt.Println("Finished", r.URL)
})
回掉函数的调用顺序如下：
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Basic示例代码：
package main
import (
"fmt"
"github.com/gocolly/colly"
)
func main() {
// Instantiate default collector
c := colly.NewCollector()
// Visit only domains: hackerspaces.org, wiki.hackerspaces.org
c.AllowedDomains = []string{"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 https://hackerspaces.org
c.Visit("https://hackerspaces.org/")
}
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：
PS E:\mygo\src\github.com\gocolly\colly\_examples\basic> .\basic.exe Visiting https://hackerspaces.org/ Link found: "navigation" -> #column-one Link found: "search" -> #searchInput Link found: "" -> /File:Cbase07.jpg Visiting https://hackerspaces.org/File:Cbase07.jpg Link found: "navigation" -> #column-one Link found: "search" -> #searchInput Link found: "File" -> #file Link found: "File history" -> #filehistory Link found: "File usage" -> #filelinks Link found: "" -> /images/e/ec/Cbase07.jpg Visiting https://hackerspaces.org/images/e/ec/Cbase07.jpg Link found: "800 × 600 pixels" -> /images/thumb/e/ec/Cbase07.jpg/800px-Cbase07.jpg Visiting https://hackerspaces.org/images/thumb/e/ec/Cbase07.jpg/800px-Cbase07.jpg
