分享一波GO的爬蟲
分享一波GO的爬蟲
我們一起來回顧一下上一次咱們說到的 使用 GOLANG 傳送郵件
Golang+chromedp+goquery 簡單爬取動態資料 |Go主題月
- 分享了郵件,電子郵件是什麼
- 郵件協議有哪些
- 如何使用GOLANG 傳送電子郵件
- 傳送電子郵件如何攜帶純文字,
HTML
內容,附件等 - 傳送郵件,如何抄送,如何密送
- 如何提高發送郵件的效能
想看看如何使用 GOLANG 傳送郵件的,歡迎檢視文章如何使用 GOLANG 傳送郵件
還記得之前我們簡單分享了一篇golang 爬取網頁動態資料的文章
要是有朋友感興趣的話,我們可以詳細的研究一下這個chromedp框架的使用方式
今天咱們來分享一下使用 GO 來爬取網頁的靜態資料
啥是靜態網頁和動態網頁呢
什麼是靜態網頁資料呢?
- 指的是網頁中沒有程式程式碼,只有HTML,也就是隻有超文字標記語言,字尾名一般是
.html
,htm
,xml
等等 - 靜態網頁還有一個特點就是,使用者可以直接點選開啟,不管任何人任何時間開啟的頁面的內容都是不變的,
html
程式碼固定,效果就固定了
那麼順便說一下什麼是動態網頁吧
-
動態網頁是一種網頁程式設計技術
動態網頁的網頁檔案中除了HTML
這些程式碼主要是用來瀏覽器和伺服器可以互動的,伺服器端可以根據客戶端的不同請求動態的生成網頁內容,很靈活了
也就是說,動態網頁的頁面程式碼雖然沒有變,可是顯示的內容是可以隨著時間的流逝、不同的環境,資料庫的變化而變化的
GO 來爬取網頁的靜態資料
咱們爬取靜態網頁的資料,例如我們爬取這個網站上的靜態資料,爬取網頁上的賬號和密碼資訊
http://www.ucbug.com/jiaocheng/63149.html?_t=1582307696
咱們爬取這個網站的步驟:
- 指定一個明確需要爬取的網站
- 通過 HTTP
GET
的方式拿到資料 - 將位元組陣列轉換成字串
- 使用正則表示式匹配出我們期望的內容(這裡很重要,其實爬取靜態網頁,處理資料和篩選資料耗費的時間比較多
- 篩選資料,去重等操作(這一步根據個人需求,因人而異,因目標網站而異)
咱們來寫一個DEMO,爬上上述網址的賬號和密碼資訊 ,網頁上我們的要的資訊是這樣的,咱們僅僅是供學習使用,切莫用來做一些不好的事情
package main
import (
"io/ioutil"
"log"
"net/http"
"regexp"
)
const (
// 正則表示式,匹配出 XL 的賬號密碼
reAccount = `(賬號|迅雷賬號)(;|:)[0-9:]+(| )密碼:[0-9a-zA-Z]+`
)
// 獲取網站 賬號密碼
func GetAccountAndPwd(url string) {
// 獲取網站資料
resp, err := http.Get(url)
if err !=nil{
log.Fatal("http.Get error : ",err)
}
defer resp.Body.Close()
// 去讀資料內容為 bytes
dataBytes, err := ioutil.ReadAll(resp.Body)
if err !=nil{
log.Fatal("ioutil.ReadAll error : ",err)
}
// 位元組陣列 轉換成 字串
str := string(dataBytes)
// 過濾 XL 賬號和密碼
re := regexp.MustCompile(reAccount)
// 匹配多少次, -1 預設是全部
results := re.FindAllStringSubmatch(str, -1)
// 輸出結果
for _, result := range results {
log.Println(result[0])
}
}
func main() {
// 簡單設定log 引數
log.SetFlags(log.Lshortfile | log.LstdFlags)
// 傳入網站地址,爬取開始爬取資料
GetAccountAndPwd("http://www.ucbug.com/jiaocheng/63149.html?_t=1582307696")
}
執行上述程式碼的結果如下:
2021/06/xx xx:05:25 main.go:46: 賬號:357451317 密碼:110120a
2021/06/xx xx:05:25 main.go:46: 賬號:907812219 密碼:810303
2021/06/xx xx:05:25 main.go:46: 賬號:797169897 密碼:zxcvbnm132
2021/06/xx xx:05:25 main.go:46: 迅雷賬號:792253782:1密碼:283999
2021/06/xx xx:05:25 main.go:46: 迅雷賬號:147643189:2密碼:344867
2021/06/xx xx:05:25 main.go:46: 迅雷賬號:147643189:1密碼:267297
可以看出,賬號:
開頭的資料 和 迅雷賬號:
開頭的資料都被我們爬取下來, 其實爬取靜態網頁的內容不難,時間基本上是花在正則表示式匹配和資料處理上面
根據上述爬取網頁的步驟,咱們可以列一下:
- 訪問網站
http.Get(url)
- 讀資料內容
ioutil.ReadAll
- 資料轉換成字串
- 設定正則匹配的規則
regexp.MustCompile(reAccount)
- 開始過濾資料,可以設定過濾的數量
re.FindAllStringSubmatch(str, -1)
當然實際工作中,肯定不會那麼簡單,
例如自己爬取的資料在網站上格式不夠統一,特殊字元比較多且比較雜沒有規律,甚至資料是動態的,沒有辦法通過Get
的方式拿到
不過上述的問題都是可以解決的,根據不同的問題,設計出不同的方案和資料的處理,相信這一點遇到的朋友一定能夠解決掉,面對問題,咱們要有解決問題的決心
爬取圖片
看了上面的例子,咱們再來試試爬取網頁上的圖片資料吧,例如在某度上搜索柴犬
是這樣的一個頁面
咱們把url
位址列的url
複製貼上過來,用來爬取資料
https://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=%E6%9F%B4%E7%8A%AC
由於圖片比較多,咱們設定只匹配 2 張圖片的資料
一起來看看 DEMO
- 順便將
Get
url 資料,並轉換成 字串的功能,提取出來,封裝成一個小函式 GetPic
,專門使用正則表示式進行匹配,可以設定匹配的次數,我們這裡就設定 匹配 2 次
package main
import (
"io/ioutil"
"log"
"net/http"
"regexp"
)
const (
// 正則表示式,匹配出XL的賬號密碼
reAccount = `(賬號|迅雷賬號)(;|:)[0-9:]+(| )密碼:[0-9a-zA-Z]+`
// 正則表示式,匹配出 圖片
rePic = `https?://[^"]+?(\.((jpg)|(png)|(jpeg)|(gif)|(bmp)))`
)
func getStr(url string)string{
resp, err := http.Get(url)
if err !=nil{
log.Fatal("http.Get error : ",err)
}
defer resp.Body.Close()
// 去讀資料內容為 bytes
dataBytes, err := ioutil.ReadAll(resp.Body)
if err !=nil{
log.Fatal("ioutil.ReadAll error : ",err)
}
// 位元組陣列 轉換成 字串
str := string(dataBytes)
return str
}
// 獲取網站 賬號密碼
func GetAccountAndPwd(url string,n int) {
str := getStr(url)
// 過濾 XL 賬號和密碼
re := regexp.MustCompile(reAccount)
// 匹配多少次, -1 預設是全部
results := re.FindAllStringSubmatch(str, n)
// 輸出結果
for _, result := range results {
log.Println(result[0])
}
}
// 獲取網站 賬號密碼
func GetPic(url string,n int) {
str := getStr(url)
// 過濾 圖片
re := regexp.MustCompile(rePic)
// 匹配多少次, -1 預設是全部
results := re.FindAllStringSubmatch(str, n)
// 輸出結果
for _, result := range results {
log.Println(result[0])
}
}
func main() {
// 簡單設定l og 引數
log.SetFlags(log.Lshortfile | log.LstdFlags)
//GetAccountAndPwd("http://www.ucbug.com/jiaocheng/63149.html?_t=1582307696", -1)
GetPic("https://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=%E6%9F%B4%E7%8A%AC",2)
}
執行上述程式碼,結果如下(沒有做去重):
2021/06/xx xx:06:39 main.go:63: https://ss1.bdstatic.com/70cFuXSh_Q1YnxGkpoWK1HF6hhy/it/u=4246005838,1103140037&fm=26&gp=0.jpg
2021/06/xx xx:06:39 main.go:63: https://ss1.bdstatic.com/70cFuXSh_Q1YnxGkpoWK1HF6hhy/it/u=4246005838,1103140037&fm=26&gp=0.jpg
果然是我們想要的東西,可是光是打印出來,爬取的都是圖片連結,肯定不能滿足我們真實爬蟲的需求,肯定還是要將爬取到圖片下載下來,供我們所用,才是我們想要的
咱們這裡為了演示方便,我們就在上述程式碼上面,加上下載檔案的 小功能,咱們就下載第一張
package main
import (
"fmt"
"io/ioutil"
"log"
"net/http"
"regexp"
"strings"
"time"
)
const (
// 正則表示式,匹配出 圖片
rePic = `https?://[^"]+?(\.((jpg)|(png)|(jpeg)|(gif)|(bmp)))`
)
// 獲取網頁資料,且把資料轉成 字串
func getStr(url string) string {
resp, err := http.Get(url)
if err != nil {
log.Fatal("http.Get error : ", err)
}
defer resp.Body.Close()
// 去讀資料內容為 bytes
dataBytes, err := ioutil.ReadAll(resp.Body)
if err != nil {
log.Fatal("ioutil.ReadAll error : ", err)
}
// 位元組陣列 轉換成 字串
str := string(dataBytes)
return str
}
// 獲取圖片資料
func GetPic(url string, n int) {
str := getStr(url)
// 過濾 圖片
re := regexp.MustCompile(rePic)
// 匹配多少次, -1 預設是全部
results := re.FindAllStringSubmatch(str, n)
// 輸出結果
for _, result := range results {
// 獲取具體的圖片名字
fileName := GetFilename(result[0])
// 下載圖片
DownloadPic(result[0], fileName)
}
}
// 獲取到 檔案的 名字
func GetFilename(url string) (filename string) {
// 找到最後一個 = 的索引
lastIndex := strings.LastIndex(url, "=")
// 獲取 / 後的字串 ,這就是原始檔名
filename = url[lastIndex+1:]
// 把時間戳 加 在原來名字前,拼一個新的名字
prefix := fmt.Sprintf("%d",time.Now().Unix())
filename = prefix + "_" + filename
return filename
}
func DownloadPic(url string, filename string) {
resp, err := http.Get(url)
if err != nil {
log.Fatal("http.Get error : ", err)
}
defer resp.Body.Close()
bytes, err := ioutil.ReadAll(resp.Body)
if err != nil {
log.Fatal("ioutil.ReadAll error : ", err)
}
// 檔案存放的路徑
filename = "./" + filename
// 寫檔案 並設定檔案許可權
err = ioutil.WriteFile(filename, bytes, 0666)
if err != nil {
log.Fatal("wirte failed !!", err)
} else {
log.Println("ioutil.WriteFile successfully , filename = ", filename)
}
}
func main() {
// 簡單設定l og 引數
log.SetFlags(log.Lshortfile | log.LstdFlags)
GetPic("https://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=%E6%9F%B4%E7%8A%AC", 1)
}
上述程式碼,咱們加了 2 個函式,輔助我們進行圖片名的修改 和 圖片的下載
- 獲取到檔案的名字,並使用時間戳重新命名,
GetFilename
- 下載具體的圖片,下載到當前目錄下,
DownloadPic
執行上述程式碼,可以看到如下效果
2021/06/xx xx:50:04 main.go:91: ioutil.WriteFile successfully , filename = ./1624377003_0.jpg
且當前目錄下,已經下載成功了一張圖片,名字為 1624377003_0.jpg
如下是具體圖片的形象照
有大兄弟們會說,我一個協程去下載圖片太慢了,可不可以下載快一點,多個協程一起去下載唄
併發爬取咱們的小柴犬
咱們還記之前說過的 GO 通道 和 sync包 嗎?GO通道和 sync 包的分享, 正好可以實踐一下,這個小功能是比較簡單的,說一下大體的思路,大家感興趣的話,可以去實現一波,
- 咱們讀取上述網址的資料,並轉換成 字串
- 使用正則匹配出對應的一系列圖片連結
- 將每一張圖片連結放到一個有緩衝的通道中,暫且設定緩衝區為 100
- 咱們再開3個協程去併發的讀取通道的資料,並下載到本地,檔名的修改方式可以參考上述的編碼
怎麼樣,大兄弟們,小夥伴們,感興趣的話,可以實踐一波,要是對爬取動態資料有想法的話,咱們可以溝通和探討一下,一起進步
總結
- 分享靜態網頁和動態網頁的簡要說明
- GO 爬取靜態網頁簡單資料
- GO 爬取網頁上的圖片
- 併發爬取網頁上的資源
歡迎點贊,關注,收藏
朋友們,你的支援和鼓勵,是我堅持分享,提高質量的動力
好了,本次就到這裡,下一次 GO中 gjson 的應用和分享
技術是開放的,我們的心態,更應是開放的。擁抱變化,向陽而生,努力向前行。
我是小魔童哪吒,歡迎點贊關注收藏,下次見~