Golang - 爬虫案例实践

Golang - 爬虫案例实践

 

目录

Golang - 爬虫案例实践

1. 爬虫步骤

  1. 明确目标（确定在哪个网址搜索）
  2. 爬（爬下数据）
  3. 取（去掉没用的数据）
  4. 处理数据（按具体业务去使用数据）

2. 正则表达式

  • 文档：https://studygolang.com/pkgdoc
  • API
  • re := regexp.MustCompile(reStr)：传入正则表达式，得到正则表达式对象
  • ret := re.FindAllStringSubmatch(srcStr,-1)：用正则对象提取页面中内容，srcStr是页面内容，-1代表取所有
  • 爬邮箱
  • 爬超链接
  • 爬手机号
  • http://www.zhaohaowang.com/
  • 爬身份证号
  • http://henan.qq.com/a/20171107/069413.htm

  • 爬图片链接

      package main

  import (
     "net/http"
     "fmt"
     "io/ioutil"
     "regexp"
  )

  var (
     //\d代表数字
     reQQEmail = `(\d+)@qq.com`
     //匹配邮箱
     reEmail = `\w+@\w+\.\w+(\.\w+)?`
     //链接
     reLink = `href="(https?://[\s\S]+?)"`
     rePhone=`1[3456789]\d\s?\d{4}\s?\d{4}`
     //410222 1987 06 13 4038
     reIdcard=`[12345678]\d{5}((19\d{2})|(20[01]))((0[1-9]|[1[012]]))((0[1-9])|[12]\d|[3[01]])\d{3}[\dXx]`
     reImg=`"(https?://[^"]+?(\.((jpg)|(jpeg)|(png)|(gif)|(ico))))"`
  )

  func main2() {
     //1.爬邮箱
     //GetEmail()
     //2.抽取爬邮箱的方法
     //GetEmail2("http://tieba.baidu.com/p/2544042204")
     //3.爬超链接
     //GetLink("http://www.baidu.com/s?wd=岛国%20留下邮箱")
     //4.爬手机号
     //GetPhone("http://www.zhaohaowang.com/")
     //5.爬身份证
     //GetIdcard("http://henan.qq.com/a/20171107/069413.htm")
     //6.爬图片链接
     //GetImg("http://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=%E7%BE%8E%E5%A5%B3")
  }

  //爬邮箱
  func GetEmail() {
     //1.发送http请求，获取页面内容
     resp, err := http.Get("http://tieba.baidu.com/p/2544042204")
     //处理异常
     HandleError(err, "http.Get url")
     //关闭资源
     defer resp.Body.Close()
     //接收页面
     pageBytes, err := ioutil.ReadAll(resp.Body)
     HandleError(err, "ioutil.ReadAll")
     //打印页面内容
     pageStr := string(pageBytes)
     fmt.Println(pageStr)

     //2.捕获邮箱，先搞定qq邮箱
     //传入正则
     re := regexp.MustCompile(reQQEmail)
     results := re.FindAllStringSubmatch(pageStr, -1)
     for _, result := range results {
        //fmt.Println(result)
        fmt.Printf("email=%s qq=%s\n", result[0], result[1])
     }
  }

  //处理异常
  func HandleError(err error, why string) {
     if err != nil {
        fmt.Println(why, err)
     }
  }

  //抽取的爬邮箱的方法
  func GetEmail2(url string) {
     //爬页面所有数据
     pageStr := GetPageStr(url)
     re := regexp.MustCompile(reEmail)
     results := re.FindAllStringSubmatch(pageStr, -1)
     for _, result := range results {
        fmt.Println(result)
     }
  }

  //根据url获取页面内容
  func GetPageStr(url string) (pageStr string) {
     //1.发送http请求，获取页面内容
     resp, err := http.Get(url)
     //处理异常
     HandleError(err, "http.Get url")
     //关闭资源
     defer resp.Body.Close()
     //接收页面
     pageBytes, err := ioutil.ReadAll(resp.Body)
     HandleError(err, "ioutil.ReadAll")
     //打印页面内容
     pageStr = string(pageBytes)
     return pageStr
  }

  func GetLink(url string)  {
     pageStr := GetPageStr(url)
     fmt.Println(pageStr)
     re := regexp.MustCompile(reLink)
     results := re.FindAllStringSubmatch(pageStr, -1)
     fmt.Printf("找到%d条结果:\n",len(results))
     for _, result := range results {
        //fmt.Println(result)
        fmt.Println(result[1])
     }
  }

  func GetPhone(url string)  {
     pageStr := GetPageStr(url)
     fmt.Println(pageStr)
     re := regexp.MustCompile(rePhone)
     results := re.FindAllStringSubmatch(pageStr, -1)
     fmt.Printf("找到%d条结果:\n",len(results))
     for _, result := range results {
        //fmt.Println(result)
        fmt.Println(result)
     }
  }

  func GetIdcard(url string)  {
     pageStr := GetPageStr(url)
     fmt.Println(pageStr)
     re := regexp.MustCompile(reIdcard)
     results := re.FindAllStringSubmatch(pageStr, -1)
     fmt.Printf("找到%d条结果:\n",len(results))
     for _, result := range results {
        //fmt.Println(result)
        fmt.Println(result)
     }
  }

  func GetImg(url string)  {
     pageStr := GetPageStr(url)
     fmt.Println(pageStr)
     re := regexp.MustCompile(reImg)
     results := re.FindAllStringSubmatch(pageStr, -1)
     fmt.Printf("找到%d条结果:\n",len(results))
     for _, result := range results {
        //fmt.Println(result)
        fmt.Println(result[0])
     }
  }

3. 并发爬取美图

  • http://www.umei.cc/bizhitupian/meinvbizhi/1.htm
  • 基本分析：
  • 先测试获取页面所有内容

  • 完成图片下载

  • 并发爬虫分析：
  • 初始化数据通道（2个）
  • 爬虫协程：65个协程向管道中添加图片链接
  • 任务统计协程：检查65个任务是否都完成，完成就关闭通道

  • 下载协程：从管道中读取链接并下载

      package main

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

  //测试是否能拿到数据
  func myTest() {
     //1.获取页面内容
     pageStr := GetPageStr("http://www.umei.cc/bizhitupian/meinvbizhi/1.htm")
     fmt.Println(pageStr)
     //2.获取图片链接
     GetImg("http://www.umei.cc/bizhitupian/meinvbizhi/1.htm")
  }

  //图片下载
  func TestDownloadImg() {
     ok := DownloadFile("http://i1.whymtj.com/uploads/tu/201903/9999/rne35bbd2303.jpg", "1.jpg")
     if ok {
        fmt.Println("下载成功")
     } else {
        fmt.Println("下载失败")
     }
  }

  //下载
  func DownloadFile(url string, filename string) (ok bool) {
     //发请求
     resp, err := http.Get(url)
     if err != nil {
        HandleError(err, "http.Get")
        return
     }
     //关闭资源
     defer resp.Body.Close()
     //读取响应内容
     fBytes, e := ioutil.ReadAll(resp.Body)
     HandleError(e, "ioutil resp.Body")
     //拼接
     filename = "D:/go_work/src/goapp01/07/img/" + filename
     //写入硬盘
     err = ioutil.WriteFile(filename, fBytes, 644)
     HandleError(err, "http.GetWrite")
     if err != nil {
        return false
     } else {
        return true
     }
  }

  var (
     //存图片链接的数据通道，string
     chanImageUrls chan string
     //监控通道
     chanTask  chan string
     waitGroup sync.WaitGroup
  )

  func main() {
     //myTest()
     //TestDownloadImg()

     //1.初始化数据通道
     chanImageUrls = make(chan string, 1000000)
     chanTask = make(chan string, 65)

     //2.爬虫协程
     for i := 1; i < 66; i++ {
        waitGroup.Add(1)
        //获取某个页面所有图片链接
        //strconv.Itoa(i)：将整数转为字符串
        go getImgUrls("http://www.umei.cc/bizhitupian/weimeibizhi/" + strconv.Itoa(i) + ".htm")
     }

     //3.任务统计协程
     waitGroup.Add(1)
     go CheckOk()

     //4.下载协程
     //少开几个下载协程，开5个
     for i := 0; i < 5; i++ {
        waitGroup.Add(1)
        //下载
        go DownloadImg()
     }
     waitGroup.Wait()
  }

  //爬当前页所有图片链接，并添加到管道
  func getImgUrls(url string) {
     //爬当前页所有图片链接
     urls := getImgs(url)
     //添加到管道
     for _, url := range urls {
        chanImageUrls <- url
     }
     //标志当前协程任务完成
     chanTask <- url
     waitGroup.Done()
  }

  //拿图片链接
  func getImgs(url string) (urls []string) {
     //根据url取内容
     pageStr := GetPageStr(url)
     //获取正则对象
     re := regexp.MustCompile(reImg)
     results := re.FindAllStringSubmatch(pageStr, -1)
     fmt.Printf("找到%d条结果:\n", len(results))
     for _, result := range results {
        //fmt.Println(result)
        //fmt.Println(result)
        url := result[1]
        urls = append(urls, url)
     }
     return
  }

  //监控65个任务是否完成，完成则关闭通道
  func CheckOk() {
     //计数
     var count int
     for {
        url := <-chanTask
        fmt.Printf("%s 完成爬取任务\n", url)
        count++
        if count == 65 {
           close(chanImageUrls)
           break
        }
     }
     waitGroup.Done()
  }

  //下载图片
  func DownloadImg() {
     for url := range chanImageUrls {
        //得到全路径
        filename := GetFilenameFromUrl(url, "D:/go_work/src/goapp01/07/img/")
        //保存到硬盘
        ok := DownloadFile(url, filename)
        if ok {
           fmt.Printf("%s 下载成功\n", filename)
        } else {
           fmt.Printf("%s 下载失败\n", filename)
        }
     }
  }

  //拼接文件名
  func GetFilenameFromUrl(url string, dirPath string) (filename string) {
     //strings包的方法，截取最后一个/
     lastIndex := strings.LastIndex(url, "/")
     filename = url[lastIndex+1:]
     //加一个时间戳，防止重名
     timePrefix := strconv.Itoa(int(time.Now().UnixNano()))
     filename = timePrefix + "_" + filename
     filename = dirPath + filename
     return
  }
 
 
posted @ 2019-06-03 22:50  杨洪涛  阅读(1014)  评论(0)  编辑  收藏  举报