Golang 網絡爬蟲框架gocolly/colly 五 獲取動態數據

 

gcocolly+goquery可以非常好地抓取HTML頁面中的數據，但碰到頁面是由Javascript動態生成時，用goquery就顯得捉襟見肘了。解決方法有很多種，一，最笨拙但有效的方法是字符串處理，go語言string底層對應字節數組，復制任何長度的字符串的開銷都很低廉，搜索性能比較高；二，利用正則表達式，要提取的數據往往有明顯的特征，所以正則表達式寫起來比較簡單，不必非常嚴謹；三，使用瀏覽器控件，比如webloop；四，直接操縱瀏覽器，比如chromedp。一和二需要goquery提取javascript，然后再提取數據，速度非常快；三和四不需要分析腳本，在瀏覽器執行JavaScript生成頁面后再提取，是比較偷懶的方式，但缺點是執行速度很慢，如果在腳本非常復雜、懶得分析腳本的情況下，犧牲下速度也是不錯的選擇。

不同的場景，做不同的選擇。中證指數有限公司下載中心提供了行業市盈率下載，數據文件的Url在頁面的腳本中，腳本簡單且特征明顯，直接用正則表達式的方式是最好的選擇。

 

下載地址對應一段腳本

 

<a href="javascript:;" class="ml-20 dl download1">下載<i class="i_icon i_icon_rar ml-5"></i></a>

<script>

$(function() {

//切換

$('.hysyl_con').rTabs({

bind: 'click',

auto: false,

});

tabs($('.snav .tab_item'),$('.sCon .tab-con-item'));

tabs($('.snav2 .tab_item'),$('.sCon2 .tab-con-item'));

tabs($('.snav3 .tab_item'),$('.sCon3 .tab-con-item'));

 

$("#search_code1").on("click",function(){

            var csrc_code = $("#csrc_code1").val();

            if (csrc_code == '') {

                return false;

            }

            var url = "http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio-detail?date=2018-01-19&class=1&search=1&csrc_code="+csrc_code;

            $("#link_1").attr('href', url);

         document.getElementById("link_1").click();

        })

        $("#search_code2").on("click",function(){

            var csrc_code = $("#csrc_code2").val();

            if (csrc_code == '') {

                return false;

            }

            var url = "http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio-detail?date=2018-01-19&class=1&search=1&csrc_code="+csrc_code;

            $("#link_2").attr('href', url);

         document.getElementById("link_2").click();

        })

})

 

$(".download1").on("click",function(){

        var date = $(".date1").val();

        date = date.replace(/\-/g, '');

        if (date) {

         $("#link1").attr('href', 'http://115.29.204.48/syl/'+date+'.zip');

         document.getElementById("link1").click();

        }

    });

$(".download2").on("click",function(){

        var date = $(".date2").val();

        date = date.replace(/\-/g, '');

        if (date) {

         $("#link2").attr('href', 'http://115.29.204.48/syl/csi'+date+'.zip');

         document.getElementById("link2").click();

        }

    });

$(".download3").on("click",function(){

        var date = $(".date3").val();

        date = date.replace(/\-/g, '');

        if (date) {

         $("#link3").attr('href', 'http://115.29.204.48/syl/bk'+date+'.zip');

         document.getElementById("link3").click();

        }

    });

</script>

 

 

 

 

點擊下載時，為link1元素生成href屬性，然后點擊link1，這需要用gocolly+goquery提取date，然后獲取服務器地址http://115.29.204.48/，根據獲取文件的類型拼接字符串生成下載地址。

 

獲取交易日期

   

 sTime := ""

    var bodyData []byte

 

    c:= colly.NewCollector()

 

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

        bodyData = resp.Body

    })

 

    c.OnHTML("input[name=date]",func (el *colly.HTMLElement) {

        

        sTime = el.Attr("value")

   

    })

 

 

    err = c.Visit("http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio")

    if err != nil {

        return

    }

　　

 

獲取文件服務器地址，下載zip文件

 

 

    htmlDoc,err := goquery.NewDocumentFromReader(bytes.NewReader(bodyData))

    if err != nil {

        return

    }

 

    scripts := htmlDoc.Find("script")

 

    destScript := ""

    for _,n := range scripts.Nodes {

        

 

        if n.FirstChild != nil {

 

            if strings.Contains(n.FirstChild.Data,"syl/csi") && strings.Contains(n.FirstChild.Data,".download2"){

                destScript = n.FirstChild.Data

                break

            }

        }

    }

 

    re,err := regexp.Compile("http://[0-9]+.[0-9]+.[0-9]+.[0-9]+/syl/csi")

    if err != nil {

        log.Fatal(err)

    }

    result := re.FindString(destScript)

  

    pos := strings.LastIndex(result,"/")

 

    parentUrl := result[0:pos+1]

 

    link := parentUrl

 

    sTime = strings.Replace(sTime,"-","",-1)

 

    fileName := ""

    if t == ZhengJjianHuiHangYePERatio {

        fileName = fmt.Sprintf("%s.zip",sTime)      

        link += fileName

        fileName = "zjh"+fileName

    }else if t == ZhongZhengHangYePERatio {

        fileName = fmt.Sprintf("csi%s.zip",sTime)

        link += fileName

        

    }else {

        fileName = fmt.Sprintf("bk%s.zip",sTime)

        link += fileName

    }

    

    fmt.Println(link)

    

    cli:=http.Client{}

    resp,err := cli.Get(link)

    if err != nil {

        return

    }

defer resp.Body.Close()

    fullFileName := fmt.Sprintf("%s/%s",filePath,fileName)

    if resp.StatusCode == 200 {

        

        allBody,err := ioutil.ReadAll(resp.Body)

        if err != nil {

            return err

        }

 

        err = ioutil.WriteFile(fullFileName,allBody,0666)

        if err != nil {

            return err

        }

    }else{

        err = fmt.Errorf("bad resp.%d",resp.StatusCode)

        return 

    }

 

    err = archiver.Zip.Open(fullFileName, filePath)

　　 

在腳本里匹配服務器ip地址用 http://[0-9]+.[0-9]+.[0-9]+.[0-9]+/syl/csi

，因為前后都有限定元素，所以寫得比較簡單；如果沒有前后限定條件，設計正則表達式就得多費心了，復雜的正則表達式會嚇跑很多人。不過沒關系，稍微了解一些正則表達式的知識，就可以用在爬蟲上了。

    下載的文件是excel(.xls格式)的zip壓縮包，解壓縮操縱及xls讀取后面再介紹。

 

轉載請注明出處：https://www.cnblogs.com/majianguo/