写爬虫还在用 python？快来试试 go 语言的爬虫框架吧

Posted 2021-04-05 Go语言源码分析

今天为大家介绍的是一款 go 语言爬虫框架 -- colly。

01 开始

首先，你可以使用一下命令安装 colly。

go get -u github.com/gocolly/colly/...

其次，构建 Collector，添加事件，然后访问：

package main

import (
    "fmt"

    "github.com/gocolly/colly"
)

func main() {
    // 初始化 colly
    c := colly.NewCollector(
        // 只采集规定的域名下的内容
        colly.AllowedDomains("hackerspaces.org", "wiki.hackerspaces.org"),
    )

    // 任何具有 href 属性的标签都会触发回调函数
    // 第一个参数其实就是 jquery 风格的选择器
    c.Onhtml("a[href]", func(e *colly.HTMLElement) {
        link := e.Attr("href")
        fmt.Printf("Link found: %q -> %s\n", e.Text, link)
        // 访问该网站
        c.Visit(e.Request.AbsoluteURL(link))
    })

    // 在请求发起之前输出 url
    c.OnRequest(func(r *colly.Request) {
        fmt.Println("Visiting", r.URL.String())
    })

    // 从以下地址开始抓起
    c.Visit("https://hackerspaces.org/")
}

02 登录鉴权

某些网站的某些页面可能需要登录状态才能访问。Colly 提供 Post 方法用于登录请求（colly 本身会维护 cookie）。

// authenticate
err := c.Post("http://example.com/login", map[string]string{"username": "admin", "password": "admin"})
if err != nil {
    log.Fatal(err)
}

很多网站可能会有验证码、csrf_token 之类的仿网络攻击策略。对于 csrf_token，一般都会在页面的某个位置，比如表单，或者 mate 标签里，这些都是很容易获取到的。对于验证码，可以尝试在控制台输入结果或者采用图片识别的方式。

03 速率控制

很多内容网站会有防采集策略，所以过快的请求速率很可能导致被封 ip。这里可以使用 LimitRule 限制采集速度。

// 对于任何域名，同时只有两个并发请求在请求该域名
c.Limit(&colly.LimitRule{DomainGlob: "*", Parallelism: 2})

上面是一个简单的例子。除了可以限制域名并发量外，还可以限制间隔时间等。我们看一下 LimitRule 的结构：

type LimitRule struct {
   // 匹配域名的正则表达式
   DomainRegexp string
   // glob 匹配模式
   DomainGlob string
   // 在发起一个新请求时的等待时间
   Delay time.Duration
   // 在发起一个新请求时的随机等待时间
   RandomDelay time.Duration
   // 匹配到的域名的并发请求数
   Parallelism    int
   waitChan       chan bool
   compiledRegexp *regexp.Regexp
   compiledGlob   glob.Glob
}

04 队列与 redis 支持

某些情况下，我们的爬虫可能会主动或被动地挂掉，所以一个合理的进度保存有助于我们排除已经爬过的内容。这时候我们就需要用到队列以及存储支持。

Colly 本身有文件存储模式，默认是 未开启状态。推荐使用 redis 进行存储。

urls := []string{
   "http://httpbin.org/",
   "http://httpbin.org/ip",
   "http://httpbin.org/cookies/set?a=b&c=d",
   "http://httpbin.org/cookies",
}

c := colly.NewCollector()

// 创建 redis storage
storage := &redisstorage.Storage{
   Address:  "127.0.0.1:6379",
   Password: "",
   DB:       0,
   Prefix:   "httpbin_test",
}

// 把 storage 设置到 collector 上
err := c.SetStorage(storage)
if err != nil {
   panic(err)
}

// 删除之前的数据（如果需要）
if err := storage.Clear(); err != nil {
   log.Fatal(err)
}

// 结束后关闭 redis 连接
defer storage.Client.Close()

// 使用 redis 作为存储后端，创建请求队列
// 消费者数量设定为 2
q, _ := queue.New(2, storage)

c.OnResponse(func(r *colly.Response) {
   log.Println("Cookies:", c.Cookies(r.Request.URL.String()))
})

// 把 url 加入到队列
for _, u := range urls {
   q.AddURL(u)
}
// 开始采集
q.Run(c)

使用队列时，在解析到页面的链接后，可以继续把链接的 url 添加到队列中。

05 内容解析

网页抓取到了，如何解析并获取我们想要的内容呢？
以 html 为例（colly 也有 xml 等内容解析）：

// refentry 内容
c.OnHTML(".refentry", func(element *colly.HTMLElement) {
   // ...
})

OnHtml 第一个参数是 jquery风格的选择器，第二个参数是 callback，callback 会传入 HTMLElement 对象。HTMLElement 结构体：
type HTMLElement struct {
   // 标签的名称
   Name       string
   Text       string
   attributes []html.Attribute
   // 当前的 request
   Request *Request
   // 当前的 response
   Response *Response
   // 当前节点的 DOM 元素
   DOM *goquery.Selection
   // 在该 callback 回调中，此 element 的索引
   Index int
}

其中，可以通过 DOM 字段操作（增删节点）、遍历、获取节点内容。
DOM 字段是 Selection 类型，该类型提供了大量的方法。如果你用过 jQuery，你一定会觉得熟悉。

举个栗子，我们想要删除 h1.refname 标签，并返回父元素的 html 内容：

c.OnHTML(".refentry", func(element *colly.HTMLElement) {
   titleDom := element.DOM.Find("h1.refname")
   title := titleDom.Text()
   titleDom.Remove()

   content, _ := element.DOM.Html()
   // ...
})

06 其他

除此之外，Colly 还具有其他强大的功能，比如最大递归深度、url 过滤、url revisit（默认一个 url 只访问一次）以及编码检测等。这些都可以在官网文档或者 colly 代码里找到影子。

或者戳阅读原文查看。