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。

用go语言爬取珍爱网 | 第一回

用go语言爬取珍爱网 | 第二回

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 parserimport ("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requestresult := 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parseParserFunc : 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 parserimport ("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requestresult := 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parseParserFunc : 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 parserimport ("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 = nameprofile.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 engineimport ("crawler/fetcher""log"
)func Run(seeds ...Request){//这里维持一个队列var requestsQueue []RequestrequestsQueue = append(requestsQueue, seeds...)for len(requestsQueue) > 0 {//取第一个r := requestsQueue[0]//只保留没处理的requestrequestsQueue = 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urlcontinue}//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 fetcherimport ("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 bodydefer 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-8if 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 mainimport ("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。

如果你想要哪个妹子的照片，可以点开url查看，然后打招呼进一步发展。

至此单任务版的爬虫就做完了，后面我们将对单任务版爬虫做性能分析，然后升级为多任务并发版，把爬取到的信息存到ElasticSearch中，在页面上查询

作者简洁

作者：小碗汤，一位热爱、认真写作的小伙，目前维护原创公众号：『我的小碗汤』，专注于写golang、docker、kubernetes等知识等提升硬实力的文章，期待你的关注。 转载说明：务必注明来源（注明：来源于公众号：我的小碗汤， 作者：小碗汤）