colly爬虫库学习笔记

Posted 2022-01-12 bfengj

colly爬虫库学习笔记

前言

稍微的学习了一下Go语言的基础知识（错误处理和协程通道这些还没看），想着能不能做点东西，突然想到自己当时学了python之后就是专门为了写爬虫（虽然后来也咕了，只会一个request.get和post），所以也稍微的学习一下Go语言的爬虫（暂时不会太深入，更深入的东西等以后再慢慢学了）。

安装

因为用的是Goland，所以安装直接就让Goland来安装了。

学习笔记

简单例子

一个简单的例子：

package main

import (
	"fmt"
	"github.com/gocolly/colly"
)

func main()
	c := colly.NewCollector()
	c.OnRequest(func(request *colly.Request) 
		fmt.Println("Visiting",request.URL)
	)
	c.OnResponse(func(response *colly.Response) 
		fmt.Println(string(response.Body))
	)
	c.Visit("http://www.baidu.com")

看到这样的代码其实我的第一反应是这样的代码风格和node.js有点相像，传入的都是各种回调函数。

Colly主要实体就是Collector对象，通过colly.NewCollector()来创建。没有传入任何参数的话就是默认的配置（其实也足够用了）。

也可以传入选项：

	c := colly.NewCollector(
		colly.AllowedDomains("www.baidu.com"),//限制对特定域的爬取
		colly.AllowURLRevisit(),//允许访问同一网站多次
		colly.Async(true),//允许爬虫异步完成
		)

这里只列出部分选项。

创建Collector之后，还可以对其加以限制：

	c.Limit(&colly.LimitRule
        DomainRegexp: `xz.aliyun.com`,
		Delay: 1 * time.Second,
	)

防止访问过快。

完整的属性如下：

type LimitRule struct 
	// DomainRegexp is a regular expression to match against domains
	DomainRegexp string
	// DomainRegexp is a glob pattern to match against domains
	DomainGlob string
	// Delay is the duration to wait before creating a new request to the matching domains
	Delay time.Duration
	// RandomDelay is the extra randomized duration to wait added to Delay before creating a new request
	RandomDelay time.Duration
	// Parallelism is the number of the maximum allowed concurrent requests of the matching domains
	Parallelism    int
	waitChan       chan bool
	compiledRegexp *regexp.Regexp
	compiledGlob   glob.Glob

然后就可以对url进行访问了：

var (
	url string = "http://www.baidu.com"
)


c.Visit(url)

各种On开头的回调

1.OnRequest
在请求之前调用

2.OnError
如果请求期间发生错误,则调用

3.OnResponseHeaders
在收到响应标头后调用

4.OnResponse
收到回复后调用

5.OnHTML
OnResponse如果收到的内容是html ,则在之后调用

6.OnXML
OnHTML如果接收到的内容是HTML或XML ,则在之后调用

7.OnScraped
OnXML回调后调用

还需要知道一下回调的顺序：

1. OnRequest
2. OnResponse
3. OnHTML
4. OnScraped

简单的用法就像上面的例子那样了。接下来再细的了解一下。

OnRequest

常用的可能是用来中止回调：

	var numVisited int = 0
	c.OnRequest(func(req *colly.Request) 
		numVisited++
		if numVisited>10
			req.Abort()//取消本次HTTP请求
		
		fmt.Println("request!")
	)

还有就是设置HTTP请求头了：

	c.OnRequest(func(req *colly.Request) 
		req.Headers.Set("Cookie","phpSESSID=hhhhh")
	)

OnResponse

收到响应后调用，更多的可能就是对响应内容进行处理或者之后的处理了。

可以看到colly.Response结构如下：

type Response struct 
	// StatusCode is the status code of the Response
	StatusCode int
	// Body is the content of the Response
	Body []byte
	// Ctx is a context between a Request and a Response
	Ctx *Context
	// Request is the Request object of the response
	Request *Request
	// Headers contains the Response's HTTP headers
	Headers *http.Header

可以得到响应状态码，响应体，上下文，请求还有响应头。

OnHTML

OnHTML可以说是很重要的一部分了，这涉及到了对HTML的处理。这个函数是这样声明的：

func (c *Collector) OnHTML(goquerySelector string, f HTMLCallback)

接收2个参数，第一个是一个goquery选择器的字符串，第二个是相应的HTML回调函数。这个回调函数是这样的：

type HTMLCallback func(*HTMLElement)

HTMLElement结构如下：

type HTMLElement struct 
	// Name is the name of the tag
	Name       string
	Text       string
	attributes []html.Attribute
	// Request is the request object of the element's HTML document
	Request *Request
	// Response is the Response object of the element's HTML document
	Response *Response
	// DOM is the goquery parsed DOM object of the page. DOM is relative
	// to the current HTMLElement
	DOM *goquery.Selection
	// Index stores the position of the current element within all the elements matched by an OnHTML callback
	Index int

说白了就是根据第一个参数来收集符合的HTML元素，然后调用回调函数进行处理。比如这样：

	c.OnHTML("a[href]", func(element *colly.HTMLElement) 
		link := element.Attr("href")
		//fmt.Println(link)
		fmt.Println(element.Request.AbsoluteURL(link))
	)

将所有含有href属性的a标签调用回调函数，函数中获取了这个元素的href属性，然后将其转换为绝对URL后打印。

还可以获取的就是上面HTMLElement结构体的东西了，比如文本：fmt.Println(element.Text)

	c.OnHTML("title", func(element *colly.HTMLElement) 
		fmt.Println(element.Text)
	)

还可以获取它的子元素：

fmt.Println(e.ChildText("p"))

还可以调用Foreach方法迭代满足query的所有子元素并调用回调函数：

		element.ForEach("p", func(_ int, element *colly.HTMLElement) 
			if strings.Contains(element.Text,"feng")
				fmt.Println("ok")
			
		)

func (h *HTMLElement) ForEach(goquerySelector string, callback func(int, *HTMLElement))

总的来说如下：

• Attr(k string)：返回当前元素的属性
• ChildAttr(goquerySelector, attrName string)：返回goquerySelector选择的第一个子元素的attrName属性；
• ChildAttrs(goquerySelector, attrName string)：返回goquerySelector选择的所有子元素的attrName属性，以[]string返回；
• ChildText(goquerySelector string)：拼接goquerySelector选择的子元素的文本内容并返回；
• ChildTexts(goquerySelector string)：返回goquerySelector选择的子元素的文本内容组成的切片，以[]string返回。
• ForEach(goquerySelector string, callback func(int, *HTMLElement))：对每个goquerySelector选择的子元素执行回调callback；
• Unmarshal(v interface)：通过给结构体字段指定 goquerySelector 格式的 tag，可以将一个 HTMLElement 对象 Unmarshal 到一个结构体实例中。

其实感觉想熟练的爬取的话，肯定还需要再学一下goquery的，但是我太烂了。。。就需要用的时候取查好了。

练习1

暂时是打算学习到这里，以后再进行更加深入的学习，但是总不能不做点东西就直接结束学习了，想了一下打算自己练习一下，爬取先知社区中所有文章的标题及其链接。

首先尝试访问了一下，发现直接error了，不知道咋回事，panic出来发现unexpected EOF，然后不知道为啥，尝试加上Cookie果然OK了。

接着就是想办法查找到每一篇文章的标题和链接了，发现都是这部分：

<p class="topic-summary">
    <a class="topic-title" href="/t/10677">
        快速探测目标防火墙出网端口的工具化实现</a>
</p>

所以找到class为topic-title的标签即可了。去查一下goquery的class查找，原来是前面加上一个点即可。再加上一下速率的限制即可。总的来说爬先知文章的标题和链接还是比较简单的。

package main

import (
	"fmt"
	"github.com/gocolly/colly"
	"strconv"
	"strings"
	"time"
)

type Article struct 
	title string
	url string


var (
	url string = "https://xz.aliyun.com/?page="
	articles []*Article
	finished bool = false
)

func main()
	c := colly.NewCollector()
	c.Limit(&colly.LimitRule
		DomainRegexp: `xz.aliyun.com`,
		Delay:  1*time.Second,
	)
	c.OnRequest(func(request *colly.Request) 
		fmt.Println(time.Now())
		request.Headers.Set("Cookie","")

	)

	c.OnError(func(response *colly.Response, err error) 
		if strings.Contains(err.Error(),"Not Found") 
			finished = true
		else 
			panic(err.Error())
		
	)
	c.OnResponse(func(resp *colly.Response) 
		if strings.Contains(string(resp.Body),"找不到") 
			finished = true
		
	)

	c.OnHTML(".topic-title", func(element *colly.HTMLElement) 
		article := new(Article)
		article.title = strings.Trim(element.Text,"\\n ")
		article.url = element.Request.AbsoluteURL(element.Attr("href"))
		articles = append(articles, article)
	)

	for i:=1;finished!=true;i++ 
		c.Visit(url+strconv.Itoa(i))
	

	for _,v := range articles
		fmt.Println(v)
	

参考文章

https://www.ulovecode.com/2020/04/28/Go/Colly%E5%AE%98%E6%96%B9%E6%96%87%E6%A1%A3%E5%AD%A6%E4%B9%A0%E4%BB%8E%E5%85%A5%E9%97%A8%E5%88%B0%E5%85%A5%E5%9C%9F/

https://darjun.github.io/2021/06/30/godailylib/colly/

https://blog.csdn.net/qq_27818541/article/details/111492773