go 实战并发爬虫(捧腹网)

时间:2019-04-12
本文章向大家介绍go 实战并发爬虫(捧腹网),主要包括go 实战并发爬虫(捧腹网)使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。
package main

import (
    "fmt"
    "strconv"
    "net/http"
    "regexp"
    "strings"
    "os"
)

func main() {
    var start,end int
    fmt.Printf("请输入起始页( >= 1) :")
    fmt.Scan(&start)
    fmt.Printf("请输入终止页( >= 起始页) :")
    fmt.Scan(&end)

    DoWork(start,end) //工作函数
}

func DoWork(start,end int) {
    fmt.Printf("准备爬取第%d页到%d页的网址\n", start, end)

    page := make(chan int)

    for i:= start; i<= end; i++{

        //定义一个函数 并发 爬主页面
        go SpiderPape(i,page)
    }

    for i:= start; i<= end;i++{
        fmt.Printf("第%d个页面爬取完成\n", <-page)
    }
}

func SpiderPape(i int, page chan int) {
    url := "https://www.pengfu.com/xiaohua_"+ strconv.Itoa(i) + ".html"
    fmt.Printf("正在爬取第%d个网页:%s\n", i, url)

    //开始爬取页面内容
    result,err:= HttpGet(url)

    if err != nil{
        fmt.Println("HttpGet err = ",err)
        return
    }

    //写正则过滤 url
    re := regexp.MustCompile(`<h1 class="dp-b"><a href="(?s:(.*?))"`)

    if re == nil{
        fmt.Println("regexp.MustCompile err")
        return
    }

    //取关键信息
    joyUrls := re.FindAllStringSubmatch(result, -1)
    fmt.Println("joyUrls = ", joyUrls)

    fileTitle := make([]string, 0)
    fileContent := make([]string, 0)

    //取网址
    //第一个返回下标,第二个返回内容
    for _, data := range joyUrls {
        //开始爬取每一个笑话,每一个段子
        title, content, err := SpiderOneJoy(data[1])

        if err != nil {
            fmt.Println("SpiderOneJoy err = ", err)
            continue
        }

        fileTitle = append(fileTitle, title)       //追加内容
        fileContent = append(fileContent, content) //追加内容
    }

    fmt.Println("fileTitle= ", fileTitle)
    fmt.Println("fileContent= ", fileContent)

    //把内容写入到文件
    StoreJoyToFile(i, fileTitle, fileContent)

    page <- i //写内容,写num
}

func StoreJoyToFile(num int, fileTitle, fileContent []string)  {
    //新建文件
    f, err := os.Create(strconv.Itoa(num) + ".txt")

    if err != nil {
        fmt.Println("os.Create err = ", err)
        return
    }

    defer f.Close()

    //写内容
    n := len(fileTitle)
    for i := 0; i < n; i++ {
        //写标题
        f.WriteString(fileTitle[i] + "\n")
        //写内容
        f.WriteString(fileContent[i] + "\n")
        f.WriteString("\n=================================================================\n")
    }
}

//开始爬取每一个笑话,每一个段子 title, content, err := SpiderOneJoy(url)
func SpiderOneJoy(url string)  (title,content string, err error){
    //开始爬取页面内容
    result,err1 := HttpGet(url)
    if err1!= nil{
        err = err1
        return
    }

    //取关键信息
    //取标题  <h1>  标题 </h1>  只取1个
    re1 := regexp.MustCompile(`<h1>(?s:(.*?))</h1>`)

    if re1 == nil{
        err = fmt.Errorf("%s", "regexp.MustCompile err")
        return
    }

    //取标题
    tmpTitle := re1.FindAllStringSubmatch(result, 1) //最后一个参数为1,只过滤第一个
    for _, data := range tmpTitle {
        title = data[1]
        title = strings.Replace(title, "\t", "", -1)
        break
    }

    //取内容 <div class="content-txt pt10"> 段子内容 <a id="prev" href="
    re2 := regexp.MustCompile(`<div class="content-txt pt10">(?s:(.*?))<a id="prev" href="`)
    if re2 == nil {
        //fmt.Println("regexp.MustCompile err")
        err = fmt.Errorf("%s", "regexp.MustCompile err2")
        return
    }

    //取内容
    tmpContent := re2.FindAllStringSubmatch(result, -1)

    for _, data := range tmpContent {
        content = data[1]
        content = strings.Replace(content, "\t", "", -1)
        content = strings.Replace(content, "\n", "", -1)
        content = strings.Replace(content, "\r", "", -1)
        content = strings.Replace(content, "<br />", "", -1)
        break
    }

    return
}

func HttpGet(url string)(result string, err error) {
    resp,err1 := http.Get(url) //发送 get 请求.

    if err1 !=nil{
        err = err1
        return
    }

    defer resp.Body.Close()

    //读取网页内容.
    buf := make([]byte, 4*1024)

    for{
        n,_:= resp.Body.Read(buf)
        if n == 0{
            break
        }

        result += string(buf[:n]) //累加读取内容
    }

    return
}