gocolly-OnResponse的使用(3)

绝地灬酷狼 2022-12-13 04:40 198阅读 0赞

### 文章目录 ###

*   *  介绍
     *  demo

## 介绍 ##

*  本章节使用OnResponse进行返回网页数据
 *  使用xpath定位数据;
 *  推荐htmlquery

## demo ##

package main
    
    import (
    	"fmt"
    	"github.com/antchfx/htmlquery"
    	"github.com/gocolly/colly"
    	"github.com/gocolly/colly/extensions"
    	"gopkg.in/xmlpath.v2"
    	"log"
    	"os"
    	"strings"
    	"time"
    )
    
    /*
    请求执行之前调用
    	- OnRequest
    响应返回之后调用
    	- OnResponse
    监听执行 selector
    	- OnHTML
    监听执行 selector
    	- OnXML
    错误回调
    	- OnError
    完成抓取后执行，完成所有工作后执行
    	- OnScraped
    取消监听，参数为 selector 字符串
    	- OnHTMLDetach
    取消监听，参数为 selector 字符串
    	- OnXMLDetach
    */
    
    func init() {
        
    	// 日志配置
    	// 指定输出日志的前缀
    	log.SetPrefix("【UserCenter】")
    	// Ldate:时间
    	// Lshortfile:文件名+源代码
    	/*
    		const (
    		    Ldate         = 1 << iota     //日期示例： 2009/01/23
    		    Ltime                         //时间示例: 01:23:23
    		    Lmicroseconds                 //毫秒示例: 01:23:23.123123.
    		    Llongfile                     //绝对路径和行号: /a/b/c/d.go:23
    		    Lshortfile                    //文件和行号: d.go:23.
    		    LUTC                          //日期时间转为0时区的
    		    LstdFlags     = Ldate | Ltime //Go提供的标准抬头信息
    		)
    	*/
    	log.SetFlags(log.LstdFlags | log.Lshortfile)
    
    }
    
    // 声明结构体
    type Session struct {
        
    	session *colly.Collector
    	file    *os.File
    }
    
    // 初始化
    func (c *Session) Init() *colly.Collector {
        
    	// 实例化默认收集器
    	c.session = colly.NewCollector()
    
    	// 仅访问域
    	c.session.AllowedDomains = []string{
        "quotes.toscrape.com"}
    
    	// 允许重复访问
    	c.session.AllowURLRevisit = true
    
    	// 表示抓取时异步的
    	// c.session.Async = true
    	// 模拟浏览器
    	c.session.UserAgent = "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/86.0.4240.75 Safari/537.36"
    
    	// 随机UserAgent
    	extensions.RandomUserAgent(c.session)
    
    	// 限制采集规则
    	/*
    		在Colly里面非常方便控制并发度，只抓取符合某个(些)规则的URLS
    		colly.LimitRule{DomainGlob: "*.douban.*", Parallelism: 5}，表示限制只抓取域名是douban(域名后缀和二级域名不限制)的地址，当然还支持正则匹配某些符合的 URLS
    
    		Limit方法中也限制了并发是5。为什么要控制并发度呢？因为抓取的瓶颈往往来自对方网站的抓取频率的限制，如果在一段时间内达到某个抓取频率很容易被封，所以我们要控制抓取的频率。
    		另外为了不给对方网站带来额外的压力和资源消耗，也应该控制你的抓取机制。
    	*/
    	err := c.session.Limit(&colly.LimitRule{
        
    		// Filter domains affected by this rule
    		// 筛选受此规则影响的域
    		DomainGlob: "quotes.toscrape.com/*",
    		// Set a delay between requests to these domains
    		// 设置对这些域的请求之间的延迟
    		Delay: 1 * time.Second,
    		// Add an additional random delay
    		// 添加额外的随机延迟
    		RandomDelay: 1 * time.Second,
    		// 设置并发
    		Parallelism: 5,
    	})
    	if err != nil {
        
    		fmt.Println(err)
    	}
    
    	return c.session
    }
    
    // 开始爬取
    func (c *Session) Visit(url string) error {
        
    	// 开始爬取 url
    	err := c.session.Visit(url)
    	if err != nil {
        
    		fmt.Println(err)
    		return err
    	}
    	return nil
    }
    
    // 访问下一页
    // OnHTML selector
    func (c *Session) getNext2(page *string) error {
        
    	// 调用回调函数,获取标签的属性
    	c.session.OnHTML(".pager .next a", func(e *colly.HTMLElement) {
        
    		// 获取属性值
    		link := e.Attr("href")
    		*page = link
    	})
    
    	// 错误回调
    	var err1 error = nil
    	c.session.OnError(func(_ *colly.Response, err error) {
        
    		fmt.Println("Something went wrong:", err)
    		err1 = err
    	})
    	if err1 != nil {
        
    		fmt.Println(err1)
    		return err1
    	}
    
    	// 完成抓取后执行，完成所有工作后执行
    	// c.session.OnScraped(func(r *colly.Response) {
        
    	// 	fmt.Println("Finished", r.Request.URL)
    	// })
    	return nil
    }
    
    // htmlquery xpath 推荐
    func (c *Session) getNext(page *string) error {
        
    	// 完成抓取后执行，完成所有工作后执行
    	// c.session.OnScraped(func(r *colly.Response) {
        
    	// 	fmt.Println("Finished", r.Request.URL)
    	// })
    
    	// 收到响应后
    	c.session.OnResponse(func(r *colly.Response) {
        
    		doc, err := htmlquery.Parse(strings.NewReader(string(r.Body)))
    		if err != nil {
        
    			log.Fatal(err)
    		}
    		link := htmlquery.FindOne(doc, `//ul[@class="pager"]/li[@class="next"]/a/@href`)
    		*page = htmlquery.InnerText(link)
    		// fmt.Println(*page)
    	})
    
    	// 错误回调
    	var err1 error = nil
    	c.session.OnError(func(_ *colly.Response, err error) {
        
    		fmt.Println("Something went wrong:", err)
    		err1 = err
    	})
    	if err1 != nil {
        
    		fmt.Println(err1)
    		return err1
    	}
    
    	return nil
    }
    
    // gopkg.in/xmlpath.v2 xpath
    func (c *Session) getNext3(page *string) error {
        
    	// 完成抓取后执行，完成所有工作后执行
    	// c.session.OnScraped(func(r *colly.Response) {
        
    	// 	fmt.Println("Finished", r.Request.URL)
    	// })
    
    	// 收到响应后
    	c.session.OnResponse(func(r *colly.Response) {
        
    		doc, err := xmlpath.ParseHTML(strings.NewReader(string(r.Body)))
    		if err != nil {
        
    			log.Fatal(err)
    		}
    		path := xmlpath.MustCompile(`//ul[@class="pager"]/li[@class="next"]/a/@href`)
    		if link, ok := path.String(doc); ok {
        
    			*page = link
    		}
    	})
    
    	// 错误回调
    	var err1 error = nil
    	c.session.OnError(func(_ *colly.Response, err error) {
        
    		fmt.Println("Something went wrong:", err)
    		err1 = err
    	})
    	if err1 != nil {
        
    		fmt.Println(err1)
    		return err1
    	}
    
    	return nil
    }
    
    // 解析页面 OnHTML
    func (c *Session) getParse2() {
        
    	// 在每个 a 标签 href 属性 调用回调函数
    	c.session.OnHTML(".row .col-md-8 .quote", func(e *colly.HTMLElement) {
        
    		// text
    		text := e.ChildText("span.text")
    		// fmt.Println("text: ", text)
    
    		// author
    		author := e.ChildText("span .author")
    		// fmt.Println("author: ", author)
    
    		// tags
    		var tags []string
    		e.ForEach(".tags a", func(i int, e *colly.HTMLElement) {
        
    			text := e.Text
    			tags = append(tags, text)
    		})
    		// fmt.Println("tags: ", tags)
    
    		// 保存
    		c.save(text, author, tags)
    	})
    
    	// 收到响应后
    	c.session.OnResponse(func(r *colly.Response) {
        
    		if r.StatusCode != 200 {
        
    			log.Println(r.StatusCode)
    			return
    		}
    	})
    }
    
    // 解析页面 htmlquery xpath
    func (c *Session) getParse() {
        
    	// 收到响应后
    	c.session.OnResponse(func(r *colly.Response) {
        
    		if r.StatusCode != 200 {
        
    			log.Println(r.StatusCode)
    			return
    		}
    
    		doc, err := htmlquery.Parse(strings.NewReader(string(r.Body)))
    		if err != nil {
        
    			log.Fatal(err)
    		}
    		quoteNodes := htmlquery.Find(doc, `//div[@class="row"]/div[@class="col-md-8"]/div[@class="quote"]`)
    		for _, node := range quoteNodes {
        
    			textNode := htmlquery.FindOne(node, `./span[@class="text"]/text()`)
    			text := htmlquery.InnerText(textNode)
    			authorNode := htmlquery.FindOne(node, `./span/small[@class="author"]/text()`)
    			author := htmlquery.InnerText(authorNode)
    			var tags []string
    			aNodes := htmlquery.Find(node, `./div[@class="tags"]/a`)
    			for _, a := range aNodes {
        
    				tagNode := htmlquery.FindOne(a, `./text()`)
    				tag := htmlquery.InnerText(tagNode)
    				tags = append(tags, tag)
    			}
    			fmt.Println(text)
    			fmt.Println(author)
    			fmt.Println(tags)
    			// 保存
    			c.save(text, author, tags)
    		}
    
    	})
    }
    
    // 翻页
    func (c *Session) NextPage() {
        
    	// 访问地址
    	url := "http://quotes.toscrape.com"
    	baseUrl := "http://quotes.toscrape.com"
    	page := ""
    	for i := 0; i <= 2; i++ {
        
    		fmt.Println("start url: ", url)
    
    		// 解析页面
    		c.getParse()
    
    		// 获取下一页地址
    		err1 := c.getNext(&page)
    		if err1 != nil {
        
    			break
    		}
    		err2 := c.Visit(url)
    		if err2 != nil {
        
    			break
    		}
    		url = baseUrl + page
    	}
    
    }
    
    // 保存
    func (c *Session) save(text string, author string, tags []string) {
        
    	newTags := strings.Join(tags, " ")
    	// fmt.Println(newTags)
    	_, _ = c.file.Write([]byte(text + "\n"))
    	_, _ = c.file.Write([]byte(author + "\n"))
    	_, _ = c.file.Write([]byte(newTags + "\n"))
    	_, _ = c.file.Write([]byte(strings.Repeat("*", 20)))
    	_, _ = c.file.Write([]byte("\n\n"))
    }
    
    func main() {
        
    	s := &Session{
        }
    	// 初始化
    	s.Init()
    
    	// 读写模式打开，写入追加
    	s.file, _ = os.OpenFile("test.txt", os.O_RDWR|os.O_APPEND|os.O_CREATE, 0777)
    	defer func() {
        
    		if err := s.file.Close(); err != nil {
        
    			fmt.Println(err)
    		}
    	}()
    
    	// 翻页
    	s.NextPage()
    
    	// 采集等待结束
    	s.session.Wait()
    
    	fmt.Println("程序运行结束!")
    }