Golang爬蟲框架 colly的使用

2022-07-11 14:02:39

專案特性

清晰明瞭的API
速度快（每個核心上的請求數大於1K）
管理每個域的請求延遲和最大並行數
自動cookie和對談處理
同步/非同步/ 並行抓取
快取記憶體
自動處理非Unicode編碼
支援Robots.txt
支援Google App Engine
通過環境變數進行設定
可拓展

安裝colly

go get -u github.com/gocolly/colly

第一個colly 應用

package main

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

func main() {
	c := colly.NewCollector()

	// goquery selector class
	c.OnHTML(".sidebar_link", func(e *colly.HTMLElement) {
		e.Request.Visit(e.Attr("href"))
/*		link := e.Attr("href")
		// Print link
		fmt.Printf("Link found: %q -> %sn", e.Text, link)
		// Visit link found on page
		// Only those links are visited which are in AllowedDomains
		c.Visit(e.Request.AbsoluteURL(link))*/
	})

	c.OnRequest(func(r *colly.Request) {
		fmt.Println("url：",r.URL)
	})
	c.Visit("https://gorm.io/zh_CN/docs/")

}

回撥函數的呼叫順序

OnRequest 在請求之前呼叫
OnError 如果請求期間發生錯誤，則呼叫
OnResponseHeaders 在收到響應檔頭後呼叫
OnResponse 收到回覆後呼叫
OnHTML OnResponse如果接收到的內容是HTML ，則在此之後立即呼叫
OnXML OnHTML如果接收到的內容是HTML或XML ，則在之後呼叫
OnScraped 在OnXML回撥之後呼叫

範例

func collback()  {  // 新增回撥 收集器
	c:= colly.NewCollector()
	c.OnRequest(func(r *colly.Request) {
		fmt.Println("請求前呼叫:OnRequest")
		// fmt.Println("Visiting", r.URL)
	})

	c.OnError(func(_ *colly.Response, err error) {
		fmt.Println("發生錯誤呼叫:OnReOnError")
		//log.Println("Something went wrong:", err)
	})

/*	c.OnResponseHeaders(func(r *colly.Response) {  //高版本已經不用了
		fmt.Println("Visited", r.Request.URL)
	})
*/
	c.OnResponse(func(r *colly.Response) {
		fmt.Println("獲得響應後呼叫:OnResponse")
		//fmt.Println("Visited", r.Request.URL)
	})

	c.OnHTML("a[href]", func(e *colly.HTMLElement) {
		fmt.Println("OnResponse收到html內容後呼叫:OnHTML")
		//e.Request.Visit(e.Attr("href"))
	})

/*	c.OnHTML("tr td:nth-of-type(1)", func(e *colly.HTMLElement) {
		fmt.Println("First column of a table row:", e.Text)
	})*/

	c.OnXML("//h1", func(e *colly.XMLElement) {
		fmt.Println("OnResponse收到xml內容後呼叫:OnXML")
		//fmt.Println(e.Text)
	})

	c.OnScraped(func(r *colly.Response) {
		fmt.Println("結束", r.Request.URL)
	})
	c.Visit("https://gorm.io/zh_CN/docs/")

}

得到的:

colly 的設定

設定UserAgent

//設定UserAgent的兩種方式：

/*	//方式一 :
    c2 := colly.NewCollector()
	c2.UserAgent = "xy"
	c2.AllowURLRevisit = true*/

/*  //方式二 :
	c2 := colly.NewCollector(
		colly.UserAgent("xy"),
		colly.AllowURLRevisit(),
	)*/

設定Cookie

	//設定cookie的兩種方式
	//方式一：通過手動網頁新增cookies
	c.OnRequest(func(r *colly.Request) {
		r.Headers.Add("cookie","_ga=GA1.2.1611472128.1650815524; _gid=GA1.2.2080811677.1652022429; __atuvc=2|17,0|18,5|19")
	})
	// 方式二 :通過url 新增cookies
	siteCookie := c.Cookies("url")
	c.SetCookies("",siteCookie)

HTTP設定

Colly使用Golang的預設http使用者端作為網路層。可以通過更改預設的HTTP roundtripper來調整HTTP選項。

c := colly.NewCollector()
c.WithTransport(&http.Transport{
	Proxy: http.ProxyFromEnvironment,
	DialContext: (&net.Dialer{
		Timeout:   30 * time.Second,
		KeepAlive: 30 * time.Second,
		DualStack: true,
	}).DialContext,
	MaxIdleConns:          100,
	IdleConnTimeout:       90 * time.Second,
	TLSHandshakeTimeout:   10 * time.Second,
	ExpectContinueTimeout: 1 * time.Second,
}

colly頁面爬取和解析

頁面爬取和解析重點方法是 onHTML 回撥方法

	c.OnHTML("a[href]", func(e *colly.HTMLElement) {
        fmt.Printf("e.Name:%vn",e.Name)
		e.Request.Visit(e.Attr("href"))
	})




func html()  {
	c:= colly.NewCollector()
	c.OnHTML("#sidebar", func(e *colly.HTMLElement) {
		//fmt.Printf("e.Name:%vn",e.Name) //名字
		//fmt.Printf("e.Text:%vn",e.Text) //文字

		ret, _ := e.DOM.Html() // selector 選擇器
		fmt.Printf("ret:%vn",ret)
	})
	c.OnRequest(func(r *colly.Request) {
		fmt.Println("url：",r.URL)
	})
	c.Visit("https://gorm.io/zh_CN/docs/")
}

第一個引數是：goquery選擇器，可以元素名稱，ID或者Class選擇器，第二個引數是根據第一個選擇器獲得的HTML元素結構如下：

colly框架重構爬蟲

package main

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

func main()  {
	c:= colly.NewCollector()
	c.OnHTML(".sidebar_link", func(e *colly.HTMLElement) {  // 左側連結

		href := e.Attr("href")
		if href != "index.html"{
			c.Visit(e.Request.AbsoluteURL(href))
		}
	})
	c.OnHTML(".article-title", func(h *colly.HTMLElement) {  // 選擇連結之後的標題
		title := h.Text
		fmt.Printf("title: %vn",title)
	})
	c.OnHTML(".article", func(h *colly.HTMLElement) {  //內容
		content, _ := h.DOM.Html()
		fmt.Printf("content: %vn",content)
	})
	c.OnRequest(func(r *colly.Request) {
		fmt.Println("url：",r.URL.String())
	})
	c.Visit("https://gorm.io/zh_CN/docs/")
}

到此這篇關於Golang爬蟲框架 colly的使用的文章就介紹到這了,更多相關Golang colly內容請搜尋it145.com以前的文章或繼續瀏覽下面的相關文章希望大家以後多多支援it145.com！