Golang 网络爬虫框架gocolly/colly（五）

本文主要是介绍Golang 网络爬虫框架gocolly/colly（五），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

gcocolly+goquery可以非常好地抓取HTML页面中的数据，但碰到页面是由Javascript动态生成时，用goquery就显得捉襟见肘了。解决方法有很多种：
一，最笨拙但有效的方法是字符串处理，go语言string底层对应字节数组，复制任何长度的字符串的开销都很低廉，搜索性能比较高；
二，利用正则表达式，要提取的数据往往有明显的特征，所以正则表达式写起来比较简单，不必非常严谨；
三，使用浏览器控件，比如webloop；
四，直接操纵浏览器，比如chromedp。
一和二需要goquery提取javascript，然后再提取数据，速度非常快；三和四不需要分析脚本，在浏览器执行JavaScript生成页面后再提取，是比较偷懒的方式，但缺点是执行速度很慢，如果在脚本非常复杂、懒得分析脚本的情况下，牺牲下速度也是不错的选择。

不同的场景，做不同的选择。中证指数有限公司下载中心提供了行业市盈率下载，数据文件的Url在页面的脚本中，脚本简单且特征明显，直接用正则表达式的方式是最好的选择。

在这里插入图片描述
下载地址对应一段脚本

<a href="javascript:;" class="ml-20 dl download1">下载<i class="i_icon i_icon_rar ml-5"></i></a>

<script>
$(function() {
//切换
$('.hysyl_con').rTabs({
bind: 'click',
auto: false,
});
tabs($('.snav .tab_item'),$('.sCon .tab-con-item'));
tabs($('.snav2 .tab_item'),$('.sCon2 .tab-con-item'));
tabs($('.snav3 .tab_item'),$('.sCon3 .tab-con-item'));
$("#search_code1").on("click",function(){var csrc_code = $("#csrc_code1").val();if (csrc_code == '') {return false;}var url = "http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio-detail?date=2018-01-19&class=1&search=1&csrc_code="+csrc_code;$("#link_1").attr('href', url);document.getElementById("link_1").click();})$("#search_code2").on("click",function(){var csrc_code = $("#csrc_code2").val();if (csrc_code == '') {return false;}var url = "http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio-detail?date=2018-01-19&class=1&search=1&csrc_code="+csrc_code;$("#link_2").attr('href', url);document.getElementById("link_2").click();})
})
$(".download1").on("click",function(){var date = $(".date1").val();date = date.replace(/\-/g, '');if (date) {$("#link1").attr('href', 'http://115.29.204.48/syl/'+date+'.zip');document.getElementById("link1").click();}
});
$(".download2").on("click",function(){var date = $(".date2").val();date = date.replace(/\-/g, '');if (date) {$("#link2").attr('href', 'http://115.29.204.48/syl/csi'+date+'.zip');document.getElementById("link2").click();}
});
$(".download3").on("click",function(){var date = $(".date3").val();date = date.replace(/\-/g, '');if (date) {$("#link3").attr('href', 'http://115.29.204.48/syl/bk'+date+'.zip');document.getElementById("link3").click();}
});
</script>

在这里插入图片描述

点击下载时，为link1元素生成href属性，然后点击link1，这需要用gocolly+goquery提取date，然后获取服务器地址http://115.29.204.48/，根据获取文件的类型拼接字符串生成下载地址。

获取交易日期

sTime := ""
var bodyData []byte
c := colly.NewCollector()
c.OnResponse(func(resp *colly.Response) {bodyData = resp.Body
})
c.OnHTML("input[name=date]", func(el *colly.HTMLElement) {sTime = el.Attr("value")
})
err = c.Visit("http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio")
if err != nil {return
}

获取文件服务器地址，下载zip文件:

htmlDoc,err := goquery.NewDocumentFromReader(bytes.NewReader(bodyData))
if err != nil {return
}
scripts := htmlDoc.Find("script")
destScript := ""
for _,n := range scripts.Nodes {if n.FirstChild != nil {if strings.Contains(n.FirstChild.Data,"syl/csi") && strings.Contains(n.FirstChild.Data,".download2"){destScript = n.FirstChild.Databreak}}
}
re,err := regexp.Compile("http://[0-9]+.[0-9]+.[0-9]+.[0-9]+/syl/csi")
if err != nil {log.Fatal(err)
}
result := re.FindString(destScript)
pos := strings.LastIndex(result,"/")
parentUrl := result[0:pos+1]
link := parentUrl
sTime = strings.Replace(sTime,"-","",-1)
fileName := ""
if t == ZhengJjianHuiHangYePERatio {fileName = fmt.Sprintf("%s.zip",sTime)     link += fileNamefileName = "zjh"+fileName
}else if t == ZhongZhengHangYePERatio {fileName = fmt.Sprintf("csi%s.zip",sTime)link += fileName
}else {fileName = fmt.Sprintf("bk%s.zip",sTime)link += fileName
}
fmt.Println(link)
cli:=http.Client{}
resp,err := cli.Get(link)
if err != nil {return
}
defer resp.Body.Close()
fullFileName := fmt.Sprintf("%s/%s",filePath,fileName)
if resp.StatusCode == 200 {allBody,err := ioutil.ReadAll(resp.Body)if err != nil {return err}err = ioutil.WriteFile(fullFileName,allBody,0666)if err != nil {return err}
}else{err = fmt.Errorf("bad resp.%d",resp.StatusCode)return
}
err = archiver.Zip.Open(fullFileName, filePath)

在脚本里匹配服务器ip地址用 http://[0-9]+.[0-9]+.[0-9]+.[0-9]+/syl/csi，因为前后都有限定元素，所以写得比较简单；如果没有前后限定条件，设计正则表达式就得多费心了，复杂的正则表达式会吓跑很多人。不过没关系，稍微了解一些正则表达式的知识，就可以用在爬虫上了。

下载的文件是excel(.xls格式)的zip压缩包，解压缩操纵及xls读取后面再介绍。