10分钟ゴークローラーコリー从入门到精通

27344 ワード
テキストリンク

導入


本文对寒い如何使用,整个代码架构设计,以及一些使用实例的收集.
寒い是試み语言开发的クローラーフレームワーク并不是一个完整的产品,寒い提供了类似于Python的同类产品(BeautifulSoup或 Scrapy相似的表现力和灵活性.
寒い这个名称源自 Collector的简写,而 Collector也是 寒い的核心.
Colly Official Docs内容不是很多,最新的消息也很就远了,仅仅是活跃在ギタブ

コンセプト


建築


从理解上来说,寒い的设计分为两层,核心层和解析层,
  • Collector是寒い实现,该组件负责网络通信,并负责在 Collector作业运行时执行对应事件的回调.
  • Parser这个其实是抽象的,官网并未对此说明,goquery和一些htmlquery通过这些就可以将访问的结果解析成类jquery对象,使HTML拥有了,XPath选择器和CSS选择器
    • 通常情况下クローラ的工作流生命周期大致为
    • 构建客户端
    • 发送请求
    • 获取响应的数据
    • 将相应的数据解析
    • 对所需数据处理
    • 持久化

    而寒い则是将这些概念进行封装,通过将事件注册到每个步骤中,通过事件的方式对数据进行清理,抽象来说,寒い面向的是过程而不是对象.大概的工作架构如图

    イベント


    通过上述的概念,可以大概了解到 Colly是一个基于事件的クローラー通过开发者自行注册事件函数来触发整个流水线的工作
    寒い具有以下事件处理程序:
  • リクエスト在请求之前调用
  • onerror :在请求期间发生错误时调用
  • onresponseHeaders :在收到响应头后调用
  • 応答在收到响应后调用
  • 如果接收到的内容是 HTML则在 応答之后立即调用
  • onxml :如果接收到的内容是 HTML或 XML则在 OnHTML 之后立即调用
    • 打たれた
  • 在 ONXML回调之后调用
  • onhtmldetach :取消注册一个OnHTML事件函数,取消后,如未执行过得事件将不会再被执行
  • onxmldetach :取消注册一个ONXML事件函数,取消后,如未执行过得事件将不会再被执行

    • Reference

    goquery

    htmlquery


    ユーティリティ


    简单使用


    package main

import (
    "fmt"

    "github.com/gocolly/colly"
)

func main() {
    // Instantiate default collector
    c := colly.NewCollector(
        // Visit only domains: hackerspaces.org, wiki.hackerspaces.org
        colly.AllowedDomains("hackerspaces.org", "wiki.hackerspaces.org"),
    )

    // On every a element which has href attribute call callback
    c.OnHTML("a[href]", func(e *colly.HTMLElement) {
        link := e.Attr("href")
        // Print link
        fmt.Printf("Link found: %q -> %s\n", e.Text, link)
        // Visit link found on page
        // Only those links are visited which are in AllowedDomains
        c.Visit(e.Request.AbsoluteURL(link))
    })

    // Before making a request print "Visiting ..."
    c.OnRequest(func(r *colly.Request) {
        fmt.Println("Visiting", r.URL.String())
    })

    // Start scraping on https://hackerspaces.org
    c.Visit("https://hackerspaces.org/")
}

    错误处理


    package main

import (
    "fmt"

    "github.com/gocolly/colly"
)

func main() {
    // Create a collector
    c := colly.NewCollector()

    // Set HTML callback
    // Won't be called if error occurs
    c.OnHTML("*", func(e *colly.HTMLElement) {
        fmt.Println(e)
    })

    // Set error handler
    c.OnError(func(r *colly.Response, err error) {
        fmt.Println("Request URL:", r.Request.URL, "failed with response:", r, "\nError:", err)
    })

    // Start scraping
    c.Visit("https://definitely-not-a.website/")
}

    处理本地文件


    ワード.HTML
    <!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>Document title</title>
</head>
<body>
<p>List of words</p>
<ul>
    <li>dark</li>
    <li>smart</li>
    <li>war</li>
    <li>cloud</li>
    <li>park</li>
    <li>cup</li>
    <li>worm</li>
    <li>water</li>
    <li>rock</li>
    <li>warm</li>
</ul>
<footer>footer for words</footer>
</body>
</html>

    package main

import (
    "fmt"
    "net/http"

    "github.com/gocolly/colly/v2"
)

func main() {

    t := &http.Transport{}
    t.RegisterProtocol("file", http.NewFileTransport(http.Dir(".")))

    c := colly.NewCollector()
    c.WithTransport(t)

    words := []string{}

    c.OnHTML("li", func(e *colly.HTMLElement) {
        words = append(words, e.Text)
    })

    c.Visit("file://./words.html")

    for _, p := range words {
        fmt.Printf("%s\n", p)
    }
}

    使用代理交换器


    通过 ProxySwitcher可以直接使用一批代理IP池进行访问了,然而这里只有RR如果需要其他的均衡算法,需要有自己实现了
    package main

import (
    "bytes"
    "log"

    "github.com/gocolly/colly"
    "github.com/gocolly/colly/proxy"
)

func main() {
    // Instantiate default collector
    c := colly.NewCollector(colly.AllowURLRevisit())

    // Rotate two socks5 proxies
    rp, err := proxy.RoundRobinProxySwitcher("socks5://127.0.0.1:1337", "socks5://127.0.0.1:1338")
    if err != nil {
        log.Fatal(err)
    }
    c.SetProxyFunc(rp)

    // Print the response
    c.OnResponse(func(r *colly.Response) {
        log.Printf("Proxy Address: %s\n", r.Request.ProxyURL)
        log.Printf("%s\n", bytes.Replace(r.Body, []byte("\n"), nil, -1))
    })

    // Fetch httpbin.org/ip five times
    for i := 0; i < 5; i++ {
        c.Visit("https://httpbin.org/ip")
    }
}

    随机延迟


    该功能可以对行为设置一种特征,以免被反扒机器人检测,并禁止我们,如速率限制和延迟
    package main

import (
    "fmt"
    "time"

    "github.com/gocolly/colly"
    "github.com/gocolly/colly/debug"
)

func main() {
    url := "https://httpbin.org/delay/2"

    // Instantiate default collector
    c := colly.NewCollector(
        // Attach a debugger to the collector
        colly.Debugger(&debug.LogDebugger{}),
        colly.Async(true),
    )

    // Limit the number of threads started by colly to two
    // when visiting links which domains' matches "*httpbin.*" glob
    c.Limit(&colly.LimitRule{
        DomainGlob:  "*httpbin.*",
        Parallelism: 2,
        RandomDelay: 5 * time.Second,
    })

    // Start scraping in four threads on https://httpbin.org/delay/2
    for i := 0; i < 4; i++ {
        c.Visit(fmt.Sprintf("%s?n=%d", url, i))
    }
    // Start scraping on https://httpbin.org/delay/2
    c.Visit(url)
    // Wait until threads are finished
    c.Wait()
}

    多线程请求队列


    package main

import (
    "fmt"

    "github.com/gocolly/colly"
    "github.com/gocolly/colly/queue"
)

func main() {
    url := "https://httpbin.org/delay/1"

    // Instantiate default collector
    c := colly.NewCollector(colly.AllowURLRevisit())

    // create a request queue with 2 consumer threads
    q, _ := queue.New(
        2, // Number of consumer threads
        &queue.InMemoryQueueStorage{MaxSize: 10000}, // Use default queue storage
    )

    c.OnRequest(func(r *colly.Request) {
        fmt.Println("visiting", r.URL)
        if r.ID < 15 {
            r2, err := r.New("GET", fmt.Sprintf("%s?x=%v", url, r.ID), nil)
            if err == nil {
                q.AddRequest(r2)
            }
        }
    })

    for i := 0; i < 5; i++ {
        // Add URLs to the queue
        q.AddURL(fmt.Sprintf("%s?n=%d", url, i))
    }
    // Consume URLs
    q.Run(c)

}

    异步


    默认情况下,寒い的工作模式是同步的.可以使用 Async函数启用异步模式.在异步模式下,我们需要调用 Wait等待 Collector工作完成.
    package main

import (
    "fmt"

    "github.com/gocolly/colly/v2"
)

func main() {

    urls := []string{
        "http://webcode.me",
        "https://example.com",
        "http://httpbin.org",
        "https://www.perl.org",
        "https://www.php.net",
        "https://www.python.org",
        "https://code.visualstudio.com",
        "https://clojure.org",
    }

    c := colly.NewCollector(
        colly.Async(),
    )

    c.OnHTML("title", func(e *colly.HTMLElement) {
        fmt.Println(e.Text)
    })

    for _, url := range urls {

        c.Visit(url)
    }

    c.Wait()

}

    最大深度


    深度是在访问这个页面时,其页面还有リンク此时需要采集到入口リンク几层的リンク?默认1
    package main

import (
   "fmt"

   "github.com/gocolly/colly"
)

func main() {
   // Instantiate default collector
   c := colly.NewCollector(
      // MaxDepth is 1, so only the links on the scraped page
      // is visited, and no further links are followed
      colly.MaxDepth(1),
   )

   // On every a element which has href attribute call callback
   c.OnHTML("a[href]", func(e *colly.HTMLElement) {
      link := e.Attr("href")
      // Print link
      fmt.Println(link)
      // Visit link found on page
      e.Request.Visit(link)
   })

   // Start scraping on https://en.wikipedia.org
   c.Visit("https://en.wikipedia.org/")
}

    Reference

    gocolly

    colly

    Xamarin.Androidマルチウィンドウ転送【1】
    VSCスニペットを作成する方法