目录
基于Go 1.19的站点模板爬虫实现通常涉及几个关键步骤：定义目标站点、解析HTML页面、提取所需数据、存储数据以及可能的并发处理。下面我将详细描述这些步骤，并提供一个简化的示例代码。
1. 定义目标站点
首先，你需要明确你想要爬取的网站及其页面结构。这包括URL、页面中的元素（如类名、ID等），以及你希望提取的数据类型（如文本、链接、图片等）。
2. 使用Go的库
在Go中，net/http 包用于发送HTTP请求，golang.org/x/net/html（或者更常见的，第三方库如goquery，它基于golang.org/x/net/html但提供了更方便的jQuery风格的API）用于解析HTML。
3. 发送HTTP请求
使用net/http客户端发送GET请求到目标URL，并获取响应体。
4. 解析HTML并提取数据
使用goquery（或其他HTML解析库）来解析HTML内容，并使用CSS选择器定位并提取所需的数据。
5. 存储数据
将提取的数据存储到文件、数据库或内存中，具体取决于你的需求。
6. 并发处理
为了加速爬虫的速度，你可以使用Go的并发特性（goroutines和channels）来并行处理多个页面或任务。
示例代码
以下是一个简单的Go爬虫示例，使用goquery来爬取网页标题：
安装goquery库
go get github.com/PuerkitoBio/goquery爬取指定URL的网页，并提取其标题和所有链接：
// 爬取指定URL的网页，并提取其标题和所有链接
package main
import (
"fmt"
"io/ioutil"
"log"
"net/http"
"strings"
"sync"
"github.com/PuerkitoBio/goquery"
)
// fetchHTML 发送HTTP GET请求并返回HTML内容
func fetchHTML(url string) (string, error) {
resp, err := http.Get(url)
if err != nil {
return "", err
}
defer resp.Body.Close()
if resp.StatusCode != http.StatusOK {
return "", fmt.Errorf("HTTP error: %d", resp.StatusCode)
}
body, err := ioutil.ReadAll(resp.Body)
if err != nil {
return "", err
}
return string(body), nil
}
// parsePage 解析HTML页面并提取标题和链接
func parsePage(html string) (string, []string, error) {
doc, err := goquery.NewDocumentFromReader(strings.NewReader(html))
if err != nil {
return "", nil, err
}
title := doc.Find("title").Text()
links := []string{}
doc.Find("a").Each(func(i int, s *goquery.Selection) {
href, exists := s.Attr("href")
if exists {
links = append(links, href)
}
})
return title, links, nil
}
// crawlSite 爬取单个站点的函数
func crawlSite(url string, wg *sync.WaitGroup) {
defer wg.Done()
html, err := fetchHTML(url)
if err != nil {
log.Printf("Error fetching URL %s: %v", url, err)
return
}
title, links, err := parsePage(html)
if err != nil {
log.Printf("Error parsing HTML for URL %s: %v", url, err)
return
}
fmt.Printf("Title: %s\n", title)
for _, link := range links {
fmt.Printf(" - Link: %s\n", link)
}
}
func main() {
var wg sync.WaitGroup
// 假设我们只想爬取一个站点
url := "http://example.com"
wg.Add(1)
go crawlSite(url, &wg)
wg.Wait() // 等待所有goroutine完成
}
// 注意：如果你想要爬取多个站点或页面，你可以在main函数中为每个站点或页面启动一个新的goroutine，
// 并适当地调整wg.Add和wg.Wait的调用。在这个示例中，fetchHTML 函数负责发送HTTP GET请求并返回HTML内容。parsePage 函数使用goquery库来解析HTML并提取标题和所有链接。crawlSite 函数是一个goroutine-safe的函数，用于爬取单个站点的数据。在main函数中，我们为要爬取的站点启动了一个goroutine，并等待它完成。
请注意，这个示例仅展示了如何爬取单个站点的数据。如果你想要爬取多个站点或页面，你可以修改main函数，为每个站点或页面启动一个新的goroutine，并适当管理sync.WaitGroup以确保主goroutine在所有爬取任务完成后才退出。
此外，还需要注意遵守目标网站的robots.txt规则，以及合理设置HTTP请求头（如User-Agent）以避免被网站封禁。在实际应用中，你可能还需要处理重定向、cookies、JavaScript渲染的页面等复杂情况。
