Golang 併發爬蟲 爬取某著名遊戲媒體

時間  2021-08-13
標籤 html mysql git github 正則表達式 sql 數據庫 bash markdown 併發 欄目 Go 简体版
原文   原文鏈接

第一次在掘金水文章，有一點點小激動，哈哈html

本次使用Golang抓取著名（la ji）遊戲媒體 遊民星空mysql

主要使用的第三方包是 goquery ，來解析HTML，若是你沒有使用過goquery也沒關係，很是簡單。git

其次是使用Golang將數據插入MySql。github

首先，使用net/http包請求網頁正則表達式

func main() {
	url := "https://www.gamersky.com/news/"
	
	resp, err := http.Get(url)
	if err != nil {
	    log.Fatal(err)
	}
	
	defer resp.Body.Close()
	if res.StatusCode != 200 {
	    log.Fatalf("status code error: %d %s", res.StatusCode, res.Status)
	}
}
複製代碼

這裏請求網頁錯誤是不能容忍的，因此使用log.Fatal出現錯誤時直接退出。sql

接下來使用goquery.NewDocumentFromReader將HTML加載爲可解析的類型。數據庫

// NewDocumentFromReader returns a Document from an io.Reader.
    html, err := goquery.NewDocumentFromReader(resp.Body)
複製代碼

接下里咱們就可使用goquery解析HTML頁面了。bash

首先咱們獲取這一頁全部的新聞連接markdown

這裏新聞連接出如今class="tt"的a標籤下，因此咱們使用goquery，解析出該頁面下全部屬性爲'tt'的a標籤的href屬性，就能夠拿到全部改頁面下的新聞連接了。併發

func getNewsList(html *goquery.Document, newsList []string) []string {
	html.Find("a[class=tt]").Each(func(i int, selection *goquery.Selection) {
	    url, _ := selection.Attr("href")
	    newsList = append(newsList, url)
	})
	return newsList
}
複製代碼

這樣咱們就拿到了全部新聞首頁的新聞連接，並把全部的連接放在了newsList這個slice中。

接下來咱們就開始爬取這些新聞連接中的具體新聞吧。

使用goroutine實現併發的請求這些新聞連接，並解析出結果。

var newsList []string
	newsList = getNewsList(html, newsList)

	var wg sync.WaitGroup
	for i := 0; i < len(newsList); i++ {
	    wg.Add(1)
	    go getNews(newsList[i], &wg)
	}
	wg.Wait()
複製代碼

首先咱們初始化一個sync.WaitGroup，用來控制goroutine的運行，確保全部的goroutine運行完成。

遍歷咱們存放了全部新聞連接的這個newsList，一個新聞連接開啓一個對應的goroutine來處理接下來的處理過程。

wg.Wait()用來阻塞程序運行，直到wg中全部的任務都完成。

接下來開始解析每一個新聞頁面，獲得咱們想要的數據。

首先咱們定義News這個結構體。

type News struct {
	Title   string
	Media   string
	Url     string
	PubTime string
	Content string
}
複製代碼

與第一步相同的是首先咱們須要請求新聞連接。

func getNews(url string, wg *sync.WaitGroup) {
	resp, err := http.Get(url)
	if err != nil {
	    log.Println(err)
	    wg.Done()
	    return
	}

	defer resp.Body.Close()

	if resp.StatusCode != http.StatusOK {
	    log.Printf("Error: status code %d", resp.StatusCode)
	    wg.Done()
	    return
	}
	
	html, err := goquery.NewDocumentFromReader(resp.Body)
	news := News{}
複製代碼

經過以上的這些步驟，咱們成功請求到的HTML已經轉成了可使用goquer解析的對象了。

標題在class="Mid2L_tit"的div下的h1中。

html.Find("div[class=Mid2L_tit]>h1").Each(func(i int, selection *goquery.Selection) {
	news.Title = selection.Text()
    })
	
if news.Title == "" {
	wg.Done()
	return
    }
複製代碼

這裏個別新聞專欄是和普通新聞頁面格式是不一樣的，暫時就不錯處理了，因此當沒有解析出Title時就返回。

接下來是時間的處理，咱們能夠看到時間在div class="detail"下，可是這樣解析出來的時間是不能直接保存在數據庫中的，在這裏我使用正則表達式將全部的日期時間提取出來，在拼接成能夠保存在數據庫中的格式。

var tmpTime string
    html.Find("div[class=detail]").Each(func(i int, selection *goquery.Selection) {
		tmpTime = selection.Text()
    })
    reg := regexp.MustCompile(`\d+`)
    timeString := reg.FindAllString(tmpTime, -1)
    news.PubTime = fmt.Sprintf("%s-%s-%s %s:%s:%s", timeString[0], timeString[1], timeString[2], timeString[3], timeString[4], timeString[5])
複製代碼

若是有更好的辦法，你們必定要教我啊！！！

接下里是解析新聞正文

新聞正文都在div class="Mid2L_con"下的p標籤中。

html.Find("div[class=Mid2L_con]>p").Each(func(i int, selection *goquery.Selection) {
    news.Content = news.Content + selection.Text()
})
複製代碼

如今咱們拿到了全部咱們須要的數據，接下來就是將這些數據存入MySql。

首先創建一張名爲gamesky的表。

create table gamesky
(
    id          int auto_increment
        primary key,
    title       varchar(256)                        not null,
    media       varchar(16)                         not null,
    url         varchar(256)                        not null,
    content     varchar(4096)                       null,
    pub_time    timestamp default CURRENT_TIMESTAMP not null on update CURRENT_TIMESTAMP,
    create_time timestamp default CURRENT_TIMESTAMP not null
);
複製代碼

接下來咱們創建Mysql鏈接。

package mysql

import (
    "database/sql"
    "fmt"
    "os"

    _ "github.com/go-sql-driver/mysql"
)

var db *sql.DB

func init() {
    db, _ = sql.Open("mysql", "root:root@tcp(127.0.0.1:3306)/game_news?charset=utf8")
    db.SetMaxOpenConns(1000)
    err := db.Ping()
    if err != nil {
        fmt.Println("Failed to connect to mysql, err:" + err.Error())
        os.Exit(1)
    }
}

func DBCon() *sql.DB {
    return db
}
複製代碼

接下來就是使用咱們創建的MySql鏈接，保存咱們獲取到的數據了。

db := mysql.DBCon()
    
    stmt, err := db.Prepare(
        "insert into news (`title`, `url`, `media`, `content`, `pub_time`) values (?,?,?,?,?)")
    if err != nil {
	log.Println(err)
	wg.Done()
    }
    defer stmt.Close()

    rs, err := stmt.Exec(news.Title, news.Url, news.Media, news.Content, news.PubTime)
    if err != nil {
        log.Println(err)
        wg.Done()
    }
    if id, _ := rs.LastInsertId(); id > 0 {
        log.Println("插入成功")
    }
    wg.Done()
複製代碼

rs.LastInsertId()是用來獲取剛剛插入數據庫的數據的id的，插入成功的話就會返回對應記錄的id，由此咱們能夠知道是否插入成功。

新聞正文的長度有時長度會超過MySql中設定好的列長度，能夠修改列長度或者截取一部分正文保存。

在一個goroutine中出現錯誤，或者保存數據庫結束以後，要記得wg.Done()來讓wg中的任務數減1。

這樣咱們的爬蟲就併發的將新聞抓取下來，並保存入數據庫中了。

能夠看到因爲咱們抓取的速度太快，已經觸發了遊民星空的反爬蟲，因此須要下降頻率才能夠，可是這樣就失去了Golang併發的優點，因此說既想併發抓取數據又不想被反爬蟲，配置一個不錯的代理池頗有必要，可是這裏就不作說明了。

接下來上完整的爬蟲代碼 

package main

import (
	"fmt"
        "game_news/mysql"
	"log"
	"net/http"
	"regexp"
	"sync"

	"github.com/PuerkitoBio/goquery"
)

type News struct {
	Title   string
	Media   string
	Url     string
	PubTime string
	Content string
}

func main() {
	url := "https://www.gamersky.com/news/"
	resp, err := http.Get(url)
	if err != nil {
		log.Fatal(err)
	}

	defer resp.Body.Close()
	if resp.StatusCode != 200 {
		log.Fatalf("status code error: %d %s", resp.StatusCode, resp.Status)
	}

	html, err := goquery.NewDocumentFromReader(resp.Body)
	var newsList []string
	newsList = getNewsList(html, newsList)

	var wg sync.WaitGroup
	for i := 0; i < len(newsList); i++ {
		wg.Add(1)
		go getNews(newsList[i], &wg)
	}
	wg.Wait()
}

func getNewsList(html *goquery.Document, newsList []string) []string {
	// '//a[@class="tt"]/@href'
	html.Find("a[class=tt]").Each(func(i int, selection *goquery.Selection) {
		url, _ := selection.Attr("href")
		newsList = append(newsList, url)
	})
	return newsList
}

func getNews(url string, wg *sync.WaitGroup) {
	resp, err := http.Get(url)
	if err != nil {
		log.Println(err)
		wg.Done()
		return
	}

	defer resp.Body.Close()

	if resp.StatusCode != http.StatusOK {
		log.Printf("Error: status code %d", resp.StatusCode)
		wg.Done()
		return
	}

	html, err := goquery.NewDocumentFromReader(resp.Body)
	news := News{}

	news.Url = url
	news.Media = "GameSky"
	html.Find("div[class=Mid2L_tit]>h1").Each(func(i int, selection *goquery.Selection) {
		news.Title = selection.Text()
	})

	if news.Title == "" {
		wg.Done()
		return
	}

	html.Find("div[class=Mid2L_con]>p").Each(func(i int, selection *goquery.Selection) {
		news.Content = news.Content + selection.Text()
	})

	var tmpTime string
	html.Find("div[class=detail]").Each(func(i int, selection *goquery.Selection) {
		tmpTime = selection.Text()
	})
	reg := regexp.MustCompile(`\d+`)
	timeString := reg.FindAllString(tmpTime, -1)
	news.PubTime = fmt.Sprintf("%s-%s-%s %s:%s:%s", timeString[0], timeString[1], timeString[2], timeString[3], timeString[4], timeString[5])

	db := mysql.DBCon()

	stmt, err := db.Prepare(
		"insert into gamesky (`title`, `url`, `media`, `content`, `pub_time`) values (?,?,?,?,?)")
	if err != nil {
		log.Println(err)
		wg.Done()
	}
	defer stmt.Close()

	rs, err := stmt.Exec(news.Title, news.Url, news.Media, news.Content, news.PubTime)
	if err != nil {
		log.Println(err)
		wg.Done()
	}
	if id, _ := rs.LastInsertId(); id > 0 {
		log.Println("插入成功")
	}
	wg.Done()
}

複製代碼

到此，本篇文章就結束了，若是在以上文章中有任何問題，都請各位賜教，很是感謝！！！

相關文章
相關標籤/搜索
每日一句
    每一个你不满意的现在，都有一个你没有努力的曾经。
本站公眾號
   歡迎關注本站公眾號,獲取更多信息
聯繫我們 最近搜索 最新文章 沪ICP备13005482号-10 MyBatis教程 SQL 教程 MySQL教程 Java 教程 Thymeleaf 教程 Hibernate教程 Spring教程 Redis教程