1.1爬蟲步驟
1.明確目標(確定在哪個網站搜索)
2.爬(爬下內容)
3.取(篩選想要的)
4.處理數據(按照你的想法去處理)
代碼如下:
package main
import (
"fmt"
"io/ioutil"
"net/http"
"regexp"
)
//這個只是一個簡單的版本只是獲取QQ郵箱並且沒有進行封裝操作,另外爬出來的數據也沒有進行去重操作
var (
// \d是數字
reQQEmail = `(\d+)@qq.com`
)
// 爬郵箱
func GetEmail() {
// 1.去網站拿數據
resp, err := http.Get("https://tieba.baidu.com/p/6051076813?red_tag=1573533731")
HandleError(err, "http.Get url")
defer resp.Body.Close()
// 2.讀取頁面內容
pageBytes, err := ioutil.ReadAll(resp.Body)
HandleError(err, "ioutil.ReadAll")
// 字節轉字符串
pageStr := string(pageBytes)
//fmt.Println(pageStr)
// 3.過濾數據,過濾qq郵箱
//MustCompile類似Compile但會在解析失敗時panic,主要用於全局正則表達式變量的安全初始化。
re := regexp.MustCompile(reQQEmail)
// -1代表取全部
//Find返回一個保管正則表達式re在b中的所有不重疊的匹配結果及其對應的(可能有的)
//分組匹配的結果的[][]string切片。如果沒有匹配到,會返回nil。
results := re.FindAllStringSubmatch(pageStr, -1)
//fmt.Println(results)
// 遍歷結果
for _, result := range results {
fmt.Println("email:", result[0])
fmt.Println("qq:", result[1])
}
}
// 處理異常
func HandleError(err error, reason string) {
if err != nil {
fmt.Println(reason, err)
}
}
func main() {
GetEmail()
}
輸出結果:
1.2爬郵箱鏈接手機號圖片等
1.文檔:https://studygolang.com/pkgdoc
2.API
re := regexp.MustCompile(reStr),傳入正則表達式,得到正則表達式對象
ret := re.FindAllStringSubmatch(srcStr,-1):用正則對象,獲取頁面頁面,srcStr是頁面內容,-1代表取全部
3.爬郵箱
4.方法抽取
5.爬超鏈接
6.爬手機號
http://www.zhaohaowang.com/
7.爬身份證號
http://henan.qq.com/a/20171107/069413.htm
8.爬圖片鏈接
代碼如下:
package main
import (
"fmt"
"io/ioutil"
"net/http"
"regexp"
)
var (
// w代表大小寫字母+數字+下劃線
reEmail = `\w+@\w+\.\w+`
// s?有或者沒有s
// +代表出1次或多次
//\s\S各種字符
// +?代表貪婪模式
reLinke = `href="(https?://[\s\S]+?)"`
rePhone = `1[3456789]\d\s?\d{4}\s?\d{4}`
reIdcard = `[123456789]\d{5}((19\d{2})|(20[01]\d))((0[1-9])|(1[012]))((0[1-9])|([12]\d)|(3[01]))\d{3}[\dXx]`
reImg = `https?://[^"]+?(\.((jpg)|(png)|(jpeg)|(gif)|(bmp)))`
)
// 處理異常
func HandleError(err error, reason string) {
if err != nil {
fmt.Println(reason, err)
}
}
func GetEmail2(url string) {
pageStr := GetPageStr(url)
re := regexp.MustCompile(reEmail)
results := re.FindAllStringSubmatch(pageStr, -1)
for _, result := range results {
fmt.Println(result)
}
}
// 抽取根據url獲取內容
func GetPageStr(url string) (pageStr string) {
resp, err := http.Get(url)
HandleError(err, "http.Get url")
defer resp.Body.Close()
// 2.讀取頁面內容
pageBytes, err := ioutil.ReadAll(resp.Body)
HandleError(err, "ioutil.ReadAll")
// 字節轉字符串
pageStr = string(pageBytes)
return pageStr
}
func main() {
//2.抽取的爬郵箱
GetEmail2("https://tieba.baidu.com/p/6051076813?red_tag=1573533731")
// 3.爬鏈接
GetLink("http://www.baidu.com/s?wd=%E8%B4%B4%E5%90%A7%20%E7%95%99%E4%B8%8B%E9%82%AE%E7%AE%B1&rsv_spt=1&rsv_iqid=0x98ace53400003985&issp=1&f=8&rsv_bp=1&rsv_idx=2&ie=utf-8&tn=baiduhome_pg&rsv_enter=1&rsv_dl=ib&rsv_sug2=0&inputT=5197&rsv_sug4=6345")
// 4.爬手機號
GetPhone("https://www.zhaohaowang.com/")
// 5.爬身份證號
GetIdCard("https://henan.qq.com/a/20171107/069413.htm")
// 6.爬圖片
GetImg("http://image.baidu.com/search/index?tn=baiduimage&ps=1&ct=201326592&lm=-1&cl=2&nc=1&ie=utf-8&word=%E7%BE%8E%E5%A5%B3")
}
func GetIdCard(url string) {
pageStr := GetPageStr(url)
re := regexp.MustCompile(reIdcard)
results := re.FindAllStringSubmatch(pageStr, -1)
for _, result := range results {
fmt.Println(result)
}
}
// 爬鏈接
func GetLink(url string) {
pageStr := GetPageStr(url)
re := regexp.MustCompile(reLinke)
results := re.FindAllStringSubmatch(pageStr, -1)
for _, result := range results {
fmt.Println(result[1])
}
}
//爬手機號
func GetPhone(url string) {
pageStr := GetPageStr(url)
re := regexp.MustCompile(rePhone)
results := re.FindAllStringSubmatch(pageStr, -1)
for _, result := range results {
fmt.Println(result)
}
}
func GetImg(url string) {
pageStr := GetPageStr(url)
re := regexp.MustCompile(reImg)
results := re.FindAllStringSubmatch(pageStr, -1)
for _, result := range results {
fmt.Println(result[0])
}
}
1.3. 併發爬取美圖
併發爬思路:
1.初始化數據管道
2.爬蟲寫出:26個協程向管道中添加圖片鏈接
3.任務統計協程:檢查26個任務是否都完成,完成則關閉數據管道
4.下載協程:從管道里讀取鏈接並下載
下面的是即將要爬的網站
https://www.bizhizu.cn/shouji/tag-%E5%8F%AF%E7%88%B1/1.html
代碼如下:
package main
import (
"fmt"
"io/ioutil"
"net/http"
"regexp"
"strconv"
"strings"
"sync"
"time"
)
func HandleError(err error, why string) {
if err != nil {
fmt.Println(why, err)
}
}
// 下載圖片,傳入的圖片叫什麼
func DownloadFile(url string, filename string) (ok bool) {
resp, err := http.Get(url)
HandleError(err, "http.get.url")
defer resp.Body.Close()
bytes, err := ioutil.ReadAll(resp.Body)
HandleError(err, "resp.body")
filename = "C:/Users/zyq/go/src/yj/testhttp/link" + filename
// 寫出數據
err = ioutil.WriteFile(filename, bytes, 0666)
if err != nil {
return false
} else {
return true
}
}
var (
// 存放圖片鏈接的數據channel
chanImageUrls chan string
waitGroup sync.WaitGroup
// 用於監控協程
chanTask chan string
reImg = `https?://[^"]+?(\.((jpg)|(png)|(jpeg)|(gif)|(bmp)))`
)
func main() {
// myTest()
// DownloadFile("http://i1.shaodiyejin.com/uploads/tu/201909/10242/e5794daf58_4.jpg", "1.jpg")
// 1.初始化管道
chanImageUrls = make(chan string, 1000000)
chanTask = make(chan string, 26)
// 2.爬蟲協程
for i := 1; i < 27; i++ {
waitGroup.Add(1)
go getImgUrls("https://www.bizhizu.cn/shouji/tag-%E5%8F%AF%E7%88%B1/" + strconv.Itoa(i) + ".html")
}
// 3.任務統計協程,統計26個任務是否都完成,完成則關閉管道
waitGroup.Add(1)
go CheckOK()
// 4.下載協程:從管道中讀取鏈接並下載
for i := 0; i < 5; i++ {
waitGroup.Add(1)
go DownloadImg()
}
waitGroup.Wait()
}
// 下載圖片
func DownloadImg() {
for url := range chanImageUrls {
filename := GetFilenameFromUrl(url)
ok := DownloadFile(url, filename)
if ok {
fmt.Printf("%s 下載成功\n", filename)
} else {
fmt.Printf("%s 下載失敗\n", filename)
}
}
waitGroup.Done()
}
// 截取url名字
func GetFilenameFromUrl(url string) (filename string) {
// 返回最後一個/的位置
lastIndex := strings.LastIndex(url, "/")
// 切出來
filename = url[lastIndex+1:]
// 時間戳解決重名
timePrefix := strconv.Itoa(int(time.Now().UnixNano()))
filename = timePrefix + "_" + filename
return
}
// 任務統計協程
func CheckOK() {
var count int
for {
url := <-chanTask
fmt.Printf("%s 完成了爬取任務\n", url)
count++
if count == 26 {
close(chanImageUrls)
break
}
}
waitGroup.Done()
}
// 爬圖片鏈接到管道
// url是傳的整頁鏈接
func getImgUrls(url string) {
urls := getImgs(url)
// 遍歷切片裏所有鏈接,存入數據管道
for _, url := range urls {
chanImageUrls <- url
}
// 標識當前協程完成
// 每完成一個任務,寫一條數據
// 用於監控協程知道已經完成了幾個任務
chanTask <- url
waitGroup.Done()
}
// 獲取當前頁圖片鏈接
func getImgs(url string) (urls []string) {
pageStr := GetPageStr(url)
re := regexp.MustCompile(reImg)
results := re.FindAllStringSubmatch(pageStr, -1)
fmt.Printf("共找到%d條結果\n", len(results))
for _, result := range results {
url := result[0]
urls = append(urls, url)
}
return
}
// 抽取根據url獲取內容
func GetPageStr(url string) (pageStr string) {
resp, err := http.Get(url)
HandleError(err, "http.Get url")
defer resp.Body.Close()
// 2.讀取頁面內容
pageBytes, err := ioutil.ReadAll(resp.Body)
HandleError(err, "ioutil.ReadAll")
// 字節轉字符串
pageStr = string(pageBytes)
return pageStr
}
原文鏈接:https://editor.csdn.net/md/?articleId=105269729