Golang 網絡爬蟲框架gocolly/colly 一

gocolly是用go實現的網絡爬蟲框架，目前在github上具有3400+星，名列go版爬蟲程序榜首。gocolly快速優雅，在單核上每秒可以發起1K以上請求；以回調函數的形式提供了一組接口，可以實現任意類型的爬蟲；依賴goquery庫可以像jquery一樣選擇web元素。

gocolly的官方網站是http://go-colly.org/，提供了詳細的文檔和示例代碼。安裝colly:

 

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

　　

 

在代碼中導入包：

import "github.com/gocolly/colly"

　 

colly的主體是Collector對象，管理網絡通信和負責在作業運行時執行附加的回掉函數。使用colly需要先初始化Collector：

c := colly.NewCollector()

　　 

可以向colly附加各種不同類型的回掉函數，來控制收集作業或獲取信息。增加回掉函數：

 

c.OnRequest(func(r *colly.Request) {

    fmt.Println("Visiting", r.URL)

})

c.OnError(func(_ *colly.Response, err error) {

    log.Println("Something went wrong:", err)

})

c.OnResponse(func(r *colly.Response) {

    fmt.Println("Visited", r.URL)

})

c.OnHTML("a[href]", func(e *colly.HTMLElement) {

    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.OnScraped(func(r *colly.Response) {

    fmt.Println("Finished", r.URL)

})

　　

 

回掉函數的調用順序如下：

1. OnRequest

在發起請求前被調用

2. OnError

請求過程中如果發生錯誤被調用

3. OnResponse

收到回復后被調用

4. OnHTML

在OnResponse之后被調用，如果收到的內容是HTML

5. OnScraped

在OnHTML之后被調用

 

官方提供的Basic示例代碼：

 

package main

 

import (

    "fmt"

 

    "github.com/gocolly/colly"

)

 

func main() {

    // Instantiate default collector

    c := colly.NewCollector()

 

    // Visit only domains: hackerspaces.org, wiki.hackerspaces.org

    c.AllowedDomains = []string{"hackerspaces.org", "wiki.hackerspaces.org"}

 

    // On every a element which has href attribute call callback

    c.OnHTML("a[href]", func(e *colly.HTMLElement) {

        link := e.Attr("href")

        // Print link

        fmt.Printf("Link found: %q -> %s\n", e.Text, link)

        // Visit link found on page

        // Only those links are visited which are in AllowedDomains

        c.Visit(e.Request.AbsoluteURL(link))

    })

 

    // Before making a request print "Visiting ..."

    c.OnRequest(func(r *colly.Request) {

        fmt.Println("Visiting", r.URL.String())

    })

 

    // Start scraping on https://hackerspaces.org

    c.Visit("https://hackerspaces.org/")

}

　　

 

 

該實例程序僅訪問hackerspaces.org域內的鏈接，OnHTML回掉函數的選擇器為a[href]，選擇頁面內具有href屬性的a類型元素，找到鏈接后繼續抓取。 運行的部分結果如下：

PS E:\mygo\src\github.com\gocolly\colly\_examples\basic> .\basic.exe

Visiting https://hackerspaces.org/

Link found: "navigation" -> #column-one

Link found: "search" -> #searchInput

Link found: "" -> /File:Cbase07.jpg

Visiting https://hackerspaces.org/File:Cbase07.jpg

Link found: "navigation" -> #column-one

Link found: "search" -> #searchInput

Link found: "File" -> #file

Link found: "File history" -> #filehistory

Link found: "File usage" -> #filelinks

Link found: "" -> /images/e/ec/Cbase07.jpg

Visiting https://hackerspaces.org/images/e/ec/Cbase07.jpg

Link found: "800 × 600 pixels" -> /images/thumb/e/ec/Cbase07.jpg/800px-Cbase07.jpg

Visiting https://hackerspaces.org/images/thumb/e/ec/Cbase07.jpg/800px-Cbase07.jpg