用go语言爬取珍爱网 | 第三回
前两节我们获取到了城市的URL和城市名，今天我们来解析用户信息。
爬虫的算法：
我们要提取返回体中的城市列表，需要用到城市列表解析器；
需要把每个城市里的所有用户解析出来，需要用到城市解析器；
还需要把每个用户的个人信息解析出来，需要用到用户解析器。
爬虫整体架构：
Seed把需要爬的request送到engine，engine负责将request里的url送到fetcher去爬取数据，返回utf-8的信息，然后engine将返回信息送到解析器Parser里解析有用信息，返回更多待请求requests和有用信息items，任务队列用于存储待请求的request，engine驱动各模块处理数据，直到任务队列为空。
代码实现：
按照上面的思路，设计出城市列表解析器citylist.go代码如下：
package parser
import (
"crawler/engine"
"regexp"
"log"
)
const (
//<a href="http://album.zhenai.com/u/1361133512" target="_blank">怎么会迷上你</a>
cityReg = `<a href="(http://album.zhenai.com/u/[0-9]+)"[^>]*>([^<]+)</a>`
)
func ParseCity(contents []byte) engine.ParserResult {
compile := regexp.MustCompile(cityReg)
submatch := compile.FindAllSubmatch(contents, -1)
//这里要把解析到的每个URL都生成一个新的request
result := engine.ParserResult{}
for _, m := range submatch {
name := string(m[2])
log.Printf("UserName:%s URL:%s\n", string(m[2]), string(m[1]))
//把用户信息人名加到item里
result.Items = append(result.Items, name)
result.Requests = append(result.Requests,
engine.Request{
//用户信息对应的URL,用于之后的用户信息爬取
Url : string(m[1]),
//这个parser是对城市下面的用户的parse
ParserFunc : func(bytes []byte) engine.ParserResult {
//这里使用闭包的方式;这里不能用m[2],否则所有for循环里的用户都会共用一个名字
//需要拷贝m[2] ---- name := string(m[2])
return ParseProfile(bytes, name)
},
})
}
return result
}城市解析器city.go如下：
package parser
import (
"crawler/engine"
"regexp"
"log"
)
const (
//<a href="http://album.zhenai.com/u/1361133512" target="_blank">怎么会迷上你</a>
cityReg = `<a href="(http://album.zhenai.com/u/[0-9]+)"[^>]*>([^<]+)</a>`
)
func ParseCity(contents []byte) engine.ParserResult {
compile := regexp.MustCompile(cityReg)
submatch := compile.FindAllSubmatch(contents, -1)
//这里要把解析到的每个URL都生成一个新的request
result := engine.ParserResult{}
for _, m := range submatch {
name := string(m[2])
log.Printf("UserName:%s URL:%s\n", string(m[2]), string(m[1]))
//把用户信息人名加到item里
result.Items = append(result.Items, name)
result.Requests = append(result.Requests,
engine.Request{
//用户信息对应的URL,用于之后的用户信息爬取
Url : string(m[1]),
//这个parser是对城市下面的用户的parse
ParserFunc : func(bytes []byte) engine.ParserResult {
//这里使用闭包的方式;这里不能用m[2],否则所有for循环里的用户都会共用一个名字
//需要拷贝m[2] ---- name := string(m[2])
return ParseProfile(bytes, name)
},
})
}
return result
}用户解析器profile.go如下：
package parser
import (
"crawler/engine"
"crawler/model"
"regexp"
"strconv"
)
var (
// <td><span class="label">年龄：</span>25岁</td>
ageReg = regexp.MustCompile(`<td><span class="label">年龄：</span>([\d]+)岁</td>`)
// <td><span class="label">身高：</span>182CM</td>
heightReg = regexp.MustCompile(`<td><span class="label">身高：</span>(.+)CM</td>`)
// <td><span class="label">月收入：</span>5001-8000元</td>
incomeReg = regexp.MustCompile(`<td><span class="label">月收入：</span>([0-9-]+)元</td>`)
//<td><span class="label">婚况：</span>未婚</td>
marriageReg = regexp.MustCompile(`<td><span class="label">婚况：</span>(.+)</td>`)
//<td><span class="label">学历：</span>大学本科</td>
educationReg = regexp.MustCompile(`<td><span class="label">学历：</span>(.+)</td>`)
//<td><span class="label">工作地：</span>安徽蚌埠</td>
workLocationReg = regexp.MustCompile(`<td><span class="label">工作地：</span>(.+)</td>`)
// <td><span class="label">职业： </span>--</td>
occupationReg = regexp.MustCompile(`<td><span class="label">职业： </span><span field="">(.+)</span></td>`)
// <td><span class="label">星座：</span>射手座</td>
xinzuoReg = regexp.MustCompile(`<td><span class="label">星座：</span><span field="">(.+)</span></td>`)
//<td><span class="label">籍贯：</span>安徽蚌埠</td>
hokouReg = regexp.MustCompile(`<td><span class="label">民族：</span><span field="">(.+)</span></td>`)
// <td><span class="label">住房条件：</span><span field="">--</span></td>
houseReg = regexp.MustCompile(`<td><span class="label">住房条件：</span><span field="">(.+)</span></td>`)
// <td width="150"><span class="grayL">性别：</span>男</td>
genderReg = regexp.MustCompile(`<td width="150"><span class="grayL">性别：</span>(.+)</td>`)
// <td><span class="label">体重：</span><span field="">67KG</span></td>
weightReg = regexp.MustCompile(`<td><span class="label">体重：</span><span field="">(.+)KG</span></td>`)
//<h1 class="ceiling-name ib fl fs24 lh32 blue">怎么会迷上你</h1>
//nameReg = regexp.MustCompile(`<h1 class="ceiling-name ib fl fs24 lh32 blue">([^\d]+)</h1> `)
//<td><span class="label">是否购车：</span><span field="">未购车</span></td>
carReg = regexp.MustCompile(`<td><span class="label">是否购车：</span><span field="">(.+)</span></td>`)
)
func ParseProfile(contents []byte, name string) engine.ParserResult {
profile := model.Profile{}
age, err := strconv.Atoi(extractString(contents, ageReg))
if err != nil {
profile.Age = 0
}else {
profile.Age = age
}
height, err := strconv.Atoi(extractString(contents, heightReg))
if err != nil {
profile.Height = 0
}else {
profile.Height = height
}
weight, err := strconv.Atoi(extractString(contents, weightReg))
if err != nil {
profile.Weight = 0
}else {
profile.Weight = weight
}
profile.Income = extractString(contents, incomeReg)
profile.Car = extractString(contents, carReg)
profile.Education = extractString(contents, educationReg)
profile.Gender = extractString(contents, genderReg)
profile.Hokou = extractString(contents, hokouReg)
profile.Income = extractString(contents, incomeReg)
profile.Marriage = extractString(contents, marriageReg)
profile.Name = name
profile.Occupation = extractString(contents, occupationReg)
profile.WorkLocation = extractString(contents, workLocationReg)
profile.Xinzuo = extractString(contents, xinzuoReg)
result := engine.ParserResult{
Items: []interface{}{profile},
}
return result
}
//get value by reg from contents
func extractString(contents []byte, re *regexp.Regexp) string {
m := re.FindSubmatch(contents)
if len(m) > 0 {
return string(m[1])
} else {
return ""
}
}engine代码如下：
package engine
import (
"crawler/fetcher"
"log"
)
func Run(seeds ...Request){
//这里维持一个队列
var requestsQueue []Request
requestsQueue = append(requestsQueue, seeds...)
for len(requestsQueue) > 0 {
//取第一个
r := requestsQueue[0]
//只保留没处理的request
requestsQueue = requestsQueue[1:]
log.Printf("fetching url:%s\n", r.Url)
//爬取数据
body, err := fetcher.Fetch(r.Url)
if err != nil {
log.Printf("fetch url: %s; err: %v\n", r.Url, err)
//发生错误继续爬取下一个url
continue
}
//解析爬取到的结果
result := r.ParserFunc(body)
//把爬取结果里的request继续加到request队列
requestsQueue = append(requestsQueue, result.Requests...)
//打印每个结果里的item,即打印城市名、城市下的人名...
for _, item := range result.Items {
log.Printf("get item is %v\n", item)
}
}
}Fetcher用于发起http get请求，这里有一点注意的是：珍爱网可能做了反爬虫限制手段，所以直接用http.Get(url)方式发请求，会报403拒绝访问；故需要模拟浏览器方式：
client := &http.Client{}
req, err := http.NewRequest("GET", url, nil)
if err != nil {
log.Fatalln("NewRequest is err ", err)
return nil, fmt.Errorf("NewRequest is err %v\n", err)
}
req.Header.Set("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36")
//返送请求获取返回结果
resp, err := client.Do(req)最终fetcher代码如下：
package fetcher
import (
"bufio"
"fmt"
"golang.org/x/net/html/charset"
"golang.org/x/text/encoding"
"golang.org/x/text/encoding/unicode"
"golang.org/x/text/transform"
"io/ioutil"
"log"
"net/http"
)
/**
爬取网络资源函数
*/
func Fetch(url string) ([]byte, error) {
client := &http.Client{}
req, err := http.NewRequest("GET", url, nil)
if err != nil {
log.Fatalln("NewRequest is err ", err)
return nil, fmt.Errorf("NewRequest is err %v\n", err)
}
req.Header.Set("User-Agent", "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/66.0.3359.181 Safari/537.36")
//返送请求获取返回结果
resp, err := client.Do(req)
//直接用http.Get(url)进行获取信息，爬取时可能返回403，禁止访问
//resp, err := http.Get(url)
if err != nil {
return nil, fmt.Errorf("Error: http Get, err is %v\n", err)
}
//关闭response body
defer resp.Body.Close()
if resp.StatusCode != http.StatusOK {
return nil, fmt.Errorf("Error: StatusCode is %d\n", resp.StatusCode)
}
//utf8Reader := transform.NewReader(resp.Body, simplifiedchinese.GBK.NewDecoder())
bodyReader := bufio.NewReader(resp.Body)
utf8Reader := transform.NewReader(bodyReader, determineEncoding(bodyReader).NewDecoder())
return ioutil.ReadAll(utf8Reader)
}
/**
确认编码格式
*/
func determineEncoding(r *bufio.Reader) encoding.Encoding {
//这里的r读取完得保证resp.Body还可读
body, err := r.Peek(1024)
//如果解析编码类型时遇到错误,返回UTF-8
if err != nil {
log.Printf("determineEncoding error is %v", err)
return unicode.UTF8
}
//这里简化,不取是否确认
e, _, _ := charset.DetermineEncoding(body, "")
return e
}main方法如下：
package main
import (
"crawler/engine"
"crawler/zhenai/parser"
)
func main() {
request := engine.Request{
Url: "http://www.zhenai.com/zhenghun",
ParserFunc: parser.ParseCityList,
}
engine.Run(request)
}最终爬取到的用户信息如下，包括昵称、年龄、身高、体重、工资、婚姻状况等。
本文参与 腾讯云自媒体分享计划，分享自微信公众号。
原始发表：2018-06-21，如有侵权请联系 cloudcommunity@tencent.com 删除
评论
登录后参与评论
推荐阅读