原文首发并持续更新于 https://imagician.net/archives/92/,欲了解更多信息可以前往我的博客 https://imagician.net/
提到爬虫,总会联想到 Python。似乎 Python 是爬虫的唯一选择。爬虫只是完成一个访问页面然后收集数据的任务,用任何语言来写都能实现。相比较 Python 快速实现但是庞大的体型,Golang 来写爬虫似乎是更好的又一选择。
HTTP 请求
Golang 语言的 HTTP 请求库不需要使用第三方的库,标准库就内置了足够好的支持:
package main
import (
"fmt"
"io/ioutil"
"net/http"
)
func fetch(url string) string {
fmt.Println("Fetch Url", url)
// 创建请求
req, _ := http.NewRequest("GET", url, nil)
// 创建HTTP客户端
client := &http.Client{}
// 发出请求
resp, err := client.Do(req)
if err != nil {
fmt.Println("Http get err:", err)
return ""
}
if resp.StatusCode != 200 {
fmt.Println("Http status code:", resp.StatusCode)
return ""
}
// 读取HTTP响应正文
defer resp.Body.Close()
body, err := ioutil.ReadAll(resp.Body)
if err != nil {
fmt.Println("Read error", err)
return ""
}
return string(body)
}
func main() {
fmt.Println(fetch("https://github.com"))
}
使用官方的 HTTP 包可以快速的请求页面并得到返回数据。
就像 Python 有 Scrapy 库,爬虫框架可以很大程度上简化 HTTP 请求、数据抽取、收集的流程,同时还能提供更多的工具来帮助我们实现更复杂的功能。
Golang 爬虫框架——Goribot
https://github.com/zhshch2002/goribot 是一个用 Golang 写成的爬虫轻量框架,有不错的扩展性和分布式支持能力,文档在 https://imagician.net/goribot/。
获取 Goribot:
go get -u github.com/zhshch2002/goribot
使用 Goribot 实现上文的代码的功能要看起来简洁不少。
package main
import (
"fmt"
"github.com/zhshch2002/goribot"
)
func main() {
s := goribot.NewSpider()
s.AddTask(
goribot.GetReq("https://github.com"),
func(ctx *goribot.Context) {
fmt.Println(ctx.Resp.Text)
},
)
s.Run()
}
如此之实现了一个单一的功能,即访问“https://github.com”并打印出结果。如此的应用还不足以使用框架。那我们来入手一个更复杂点的爬虫应用。
用 Goribot 爬取 B 站信息
我们来建立一个复杂点的爬虫应用,预期实现两个功能:
- 沿着链接自动发现新的视频链接
- 提取标题、封面图、作者和视频数据(播放量、投币、收藏等)
研究 B 站页面
首先我们来研究一下 B 站的视频页面,以 https://www.bilibili.com/video/BV1JE411P7hK?spm_id_from=333.851.b_62696c695f7265706f72745f6469676974616c.21 为例,按 F12 打开调试界面,切换到 Network
(网络)选项卡。
我们能看到这一页面所涉及的所有请求、资源。在调试界面里选在 XHR
选项,来查看 Ajax 请求。
你可以通过点选不同的请求,在右侧弹出的面板里查看具体内容。在新面板里点击 Preview
(预览)可以查看服务器响应的内容。
那么,交给你一个任务,依次查看 XHR 下的所有请求,找到最像是服务器返回的点赞、收藏、播放量数据的哪一个。
很好,那来看看你找到是这个吗?
你已经成功达成了一个爬虫工程师的成就——从 Ajax 请求里寻找目标数据。
那我们切换到 Header
(标头)选项,来看看这个请求对应的参数,最好能找到这个响应和视频 Id 的关系。
发现了视频 Id——BV 号。
我们以及解决了核心问题,获取 B 站的视频数据,对于自动搜寻视频,我们可以设定一个起始链接,然后搜寻 <a>
标签来延伸爬取。
搭建爬虫
完整代码在后文。
创建爬虫
s := goribot.NewSpider( // 创建一个爬虫并注册扩展
goribot.Limiter(true, &goribot.LimitRule{ // 添加一个限制器,限制白名单域名和请求速录限制
Glob: "*.bilibili.com", // 以防对服务器造成过大压力以及被B站服务器封禁
Rate: 2,
}),
goribot.RefererFiller(), // 自动填写Referer,参见Goribot(https://imagician.net/goribot/)关于扩展的部分
goribot.RandomUserAgent(), // 随机UA
goribot.SetDepthFirst(true), // 使用深度优先策略,就是沿着一个页面,然后去子页面而非同级页面
)
获取视频数据
var getVideoInfo = func(ctx *goribot.Context) {
res := map[string]interface{}{
"bvid": ctx.Resp.Json("data.bvid").String(),
"title": ctx.Resp.Json("data.title").String(),
"des": ctx.Resp.Json("data.des").String(),
"pic": ctx.Resp.Json("data.pic").String(), // 封面图
"tname": ctx.Resp.Json("data.tname").String(), // 分类名
"owner": map[string]interface{}{ //视频作者
"name": ctx.Resp.Json("data.owner.name").String(),
"mid": ctx.Resp.Json("data.owner.mid").String(),
"face": ctx.Resp.Json("data.owner.face").String(), // 头像
},
"ctime": ctx.Resp.Json("data.ctime").String(), // 创建时间
"pubdate": ctx.Resp.Json("data.pubdate").String(), // 发布时间
"stat": map[string]interface{}{ // 视频数据
"view": ctx.Resp.Json("data.stat.view").Int(),
"danmaku": ctx.Resp.Json("data.stat.danmaku").Int(),
"reply": ctx.Resp.Json("data.stat.reply").Int(),
"favorite": ctx.Resp.Json("data.stat.favorite").Int(),
"coin": ctx.Resp.Json("data.stat.coin").Int(),
"share": ctx.Resp.Json("data.stat.share").Int(),
"like": ctx.Resp.Json("data.stat.like").Int(),
"dislike": ctx.Resp.Json("data.stat.dislike").Int(),
},
}
ctx.AddItem(res) // 保存到蜘蛛的Item处理队列
}
这是一个函数,自动解析响应里的 Json 数据,也就是刚才看的 Ajax 结果。解析完数据后保存到蜘蛛的 Item 处理队列。
发现新视频
var findVideo goribot.CtxHandlerFun
findVideo = func(ctx *goribot.Context) {
u := ctx.Req.URL.String()
fmt.Println(u)
if strings.HasPrefix(u, "https://www.bilibili.com/video/") { // 判断是否为视频页面
if strings.Contains(u, "?") {
u = u[:strings.Index(u, "?")]
}
u = u[31:] // 截取视频中的BV号
fmt.Println(u)
// 创建一个从BV号获取具体数据的任务,使用上一个策略
ctx.AddTask(goribot.GetReq("https://api.bilibili.com/x/web-interface/view?bvid="+u), getVideoInfo)
}
ctx.Resp.Dom.Find("a[href]").Each(func(i int, sel *goquery.Selection) {
if h, ok := sel.Attr("href"); ok {
ctx.AddTask(goribot.GetReq(h), findVideo) // 用同样的策略处理子页面
}
})
}
收集 Item
我们在获取视频数据里获取了 Ajax 数据,并保存到 Item 队列。我们在这里处理这些 Item 以避免读写文件和数据库对爬取主线程的阻塞。
s.OnItem(func(i interface{}) interface{} {
fmt.Println(i) // 我们暂时不做处理,就先打印出来
return i
})
OnItem
的具体使用要参考 Goribot 文档的相关内容。
最后 Run 吧
// 种子任务
s.AddTask(goribot.GetReq("https://www.bilibili.com/video/BV1at411a7RS"), findVideo)
s.Run()
完整代码如下
package main
import (
"fmt"
"github.com/PuerkitoBio/goquery"
"github.com/zhshch2002/goribot"
"strings"
)
func main() {
s := goribot.NewSpider(
goribot.Limiter(true, &goribot.LimitRule{
Glob: "*.bilibili.com",
Rate: 2,
}),
goribot.RefererFiller(),
goribot.RandomUserAgent(),
goribot.SetDepthFirst(true),
)
var getVideoInfo = func(ctx *goribot.Context) {
res := map[string]interface{}{
"bvid": ctx.Resp.Json("data.bvid").String(),
"title": ctx.Resp.Json("data.title").String(),
"des": ctx.Resp.Json("data.des").String(),
"pic": ctx.Resp.Json("data.pic").String(), // 封面图
"tname": ctx.Resp.Json("data.tname").String(), // 分类名
"owner": map[string]interface{}{ //视频作者
"name": ctx.Resp.Json("data.owner.name").String(),
"mid": ctx.Resp.Json("data.owner.mid").String(),
"face": ctx.Resp.Json("data.owner.face").String(), // 头像
},
"ctime": ctx.Resp.Json("data.ctime").String(), // 创建时间
"pubdate": ctx.Resp.Json("data.pubdate").String(), // 发布时间
"stat": map[string]interface{}{ // 视频数据
"view": ctx.Resp.Json("data.stat.view").Int(),
"danmaku": ctx.Resp.Json("data.stat.danmaku").Int(),
"reply": ctx.Resp.Json("data.stat.reply").Int(),
"favorite": ctx.Resp.Json("data.stat.favorite").Int(),
"coin": ctx.Resp.Json("data.stat.coin").Int(),
"share": ctx.Resp.Json("data.stat.share").Int(),
"like": ctx.Resp.Json("data.stat.like").Int(),
"dislike": ctx.Resp.Json("data.stat.dislike").Int(),
},
}
ctx.AddItem(res)
}
var findVideo goribot.CtxHandlerFun
findVideo = func(ctx *goribot.Context) {
u := ctx.Req.URL.String()
fmt.Println(u)
if strings.HasPrefix(u, "https://www.bilibili.com/video/") {
if strings.Contains(u, "?") {
u = u[:strings.Index(u, "?")]
}
u = u[31:]
fmt.Println(u)
ctx.AddTask(goribot.GetReq("https://api.bilibili.com/x/web-interface/view?bvid="+u), getVideoInfo)
}
ctx.Resp.Dom.Find("a[href]").Each(func(i int, sel *goquery.Selection) {
if h, ok := sel.Attr("href"); ok {
ctx.AddTask(goribot.GetReq(h), findVideo)
}
})
}
s.OnItem(func(i interface{}) interface{} {
fmt.Println(i)
return i
})
s.AddTask(goribot.GetReq("https://www.bilibili.com/video/BV1at411a7RS").SetHeader("cookie", "_uuid=1B9F036F-8652-DCDD-D67E-54603D58A9B904750infoc; buvid3=5D62519D-8AB5-449B-A4CF-72D17C3DFB87155806infoc; sid=9h5nzg2a; LIVE_BUVID=AUTO7815811574205505; CURRENT_FNVAL=16; im_notify_type_403928979=0; rpdid=|(k|~uu|lu||0J'ul)ukk)~kY; _ga=GA1.2.533428114.1584175871; PVID=1; DedeUserID=403928979; DedeUserID__ckMd5=08363945687b3545; SESSDATA=b4f022fe%2C1601298276%2C1cf0c*41; bili_jct=2f00b7d205a97aa2ec1475f93bfcb1a3; bp_t_offset_403928979=375484225910036050"), findVideo)
s.Run()
}
最后
爬虫框架只是工具,重要的是人怎么使用它。了解工具可以看项目_examples 和文档。
欢迎来到这里!
我们正在构建一个小众社区,大家在这里相互信任,以平等 • 自由 • 奔放的价值观进行分享交流。最终,希望大家能够找到与自己志同道合的伙伴,共同成长。
注册 关于