基于Go 1.19的站点模板爬虫

鹿屿二向箔2024-07-10 9:54

创建一个基于Go 1.19的站点模板爬虫涉及到几个关键步骤：初始化项目，安装必要的包，编写爬虫逻辑，以及处理和存储抓取的数据。下面是一个简单的示例，使用goquery库来解析HTML，并使用net/http来发起HTTP请求。请注意，实际部署爬虫时，需要遵守目标网站的robots.txt规则和版权政策。

首先，确保你的Go环境已经更新到了1.19版本。可以通过运行go version来检查。

接下来，创建一个新的Go模块：

bash 复制代码

mkdir site_crawler
cd site_crawler
go mod init site_crawler

安装goquery库：

bash 复制代码

go get github.com/PuerkitoBio/goquery

现在，我们可以开始编写爬虫代码了。以下是一个基本的爬虫示例，用于抓取网页上的标题：

go 复制代码

package main

import (
	"fmt"
	"log"
	"net/http"

	"github.com/PuerkitoBio/goquery"
)

func fetchURL(url string) (*goquery.Document, error) {
	resp, err := http.Get(url)
	if err != nil {
		return nil, err
	}
	defer resp.Body.Close()

	if resp.StatusCode != 200 {
		return nil, fmt.Errorf("status code error: %d %s", resp.StatusCode, resp.Status)
	}

	doc, err := goquery.NewDocumentFromReader(resp.Body)
	if err != nil {
		return nil, err
	}

	return doc, nil
}

func scrapeTitles(doc *goquery.Document) {
	doc.Find("h1").Each(func(i int, s *goquery.Selection) {
		title := s.Text()
		fmt.Println(title)
	})
}

func main() {
	url := "http://example.com" // 替换为你想要爬取的网站URL

	doc, err := fetchURL(url)
	if err != nil {
		log.Fatal(err)
	}

	scrapeTitles(doc)
}

在这个示例中，我们定义了两个主要功能：

fetchURL：该函数从给定的URL获取页面内容，并使用goquery将其解析为文档对象。
scrapeTitles：此函数遍历文档中所有的<h1>标签，并打印出它们的文本内容。

你可以根据需要修改scrapeTitles函数，以提取不同的HTML元素或属性。例如，如果你想抓取所有链接，可以使用a标签；如果想抓取图片，可以使用img标签，并提取src属性。

最后，记得在实际使用爬虫时，尊重目标网站的爬虫政策，不要对服务器造成过大的负担，同时处理好抓取数据的存储和使用，确保符合法律法规和道德规范。