12-23 12:54 阅读 245

Golang爬虫及正则表达式的实现示例

本文主要介绍了Golang爬虫及正则表达式的实现示例，文中通过示例代码介绍的非常详细，具有一定的参考价值，感兴趣的小伙伴们可以参考一下

字符

. ——匹配任意字符 e.g: abc. 结果: abcd,abcx,abc9;
[] ——匹配括号中任意一个字符 e.g: [abc]d 结果：ad,cd,1d；
- ——[-]中表示范围 e.g: [A-Za-z0-9]；
^ ——[^]中表示除括号中的任意字符 e.g：[^xy]a 结果：aa,da,不能为xa,ya；

数量限定

？ ——前面单元匹配0或1次；
+ ——前面单元匹配1或多次；
* ——前面单元匹配0或多次；
{,} ——显示个数上下线；e.g ： ip地址——[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}；

其他

\ ——转义字符;
| ——条件或;
() ——组成单元如果字符串本身有括号"[(] aaa. [)]" ;

方法

1

2

3

4

//参数正则字符串，返回值*Regexp

str := regexp.MustCompile(string) 

//参数要查找的数据，查找次数-1为全局，返回值二维数组，查找出的字符串+正则字符串

var result [][]string = str.FindAllStringSubmatch(data, -1)

爬虫

爬取博客园所有文章阅读量，评论，推荐；

package main

import (

 "fmt"

 "io"

 "net/http"

 "regexp"

 "strconv"

)

var readCount int = 0

var commentCount int = 0

var diggCount int = 0

//http读取网页数据写入result返回

func HttpGet(url string) (result string, err error) {

 resp, err1 := http.Get(url)

 if err1 != nil {

  err = err1

  return

}

 defer resp.Body.Close()

 buf := make([]byte, 4096)

 for {

  n, err2 := resp.Body.Read(buf)

  //fmt.Println(url)

  if n == 0 {

   break

}

  if err2 != nil && err2 != io.EOF {

   err = err2

   return

}

  result += string(buf[:n])

}

 return result, err

}

//横向纵向爬取文章标题数据，并累计数值

func SpiderPageDB(index int, page chan int) {

 url := "https://www.cnblogs.com/littleperilla/default.html?page=" + strconv.Itoa(index)

 result, err := HttpGet(url)

 if err != nil {

  fmt.Println("HttpGet err:", err)

  return

}

 str := regexp.MustCompile("post-view-count\">阅读[(](?s:(.*?))[)]</span>")

 alls := str.FindAllStringSubmatch(result, -1)

 for _, j := range alls {

  temp, err := strconv.Atoi(j[1])

  if err != nil {

   fmt.Println("string2int err:", err)

}

  readCount += temp

}

 str = regexp.MustCompile("post-comment-count\">评论[(](?s:(.*?))[)]</span>")

 alls = str.FindAllStringSubmatch(result, -1)

 for _, j := range alls {

  temp, err := strconv.Atoi(j[1])

  if err != nil {

   fmt.Println("string2int err:", err)

}

  commentCount += temp

}

 str = regexp.MustCompile("post-digg-count\">推荐[(](?s:(.*?))[)]</span>")

 alls = str.FindAllStringSubmatch(result, -1)

 for _, j := range alls {

  temp, err := strconv.Atoi(j[1])

  if err != nil {

   fmt.Println("string2int err:", err)

}

  diggCount += temp

}

 page <- index

}

//主要工作方法

func working(start, end int) {

 fmt.Printf("正在从%d到%d爬取中...\n", start, end)

 //channel通知主线程是否所有go都结束

 page := make(chan int)

 //多线程go程同时爬取

 for i := start; i <= end; i++ {

  go SpiderPageDB(i, page)

}

 for i := start; i <= end; i++ {

  fmt.Printf("拉取到%d页\n", <-page)

}

}

//入口函数

func main() {

 //输入爬取的起始页

 var start, end int

 fmt.Print("startPos:")

 fmt.Scan(&start)

 fmt.Print("endPos:")

 fmt.Scan(&end)

 working(start, end)

 fmt.Println("阅读:", readCount)

 fmt.Println("评论:", commentCount)

 fmt.Println("推荐:", diggCount)

}

补充：正则表达式加golang爬虫爬取经典案例豆瓣top250

package main

import (

    "fmt"

    "io"

    "net/http"

    "os"

    "regexp"

    "strconv"

)

func savToFile(index int, filmName, filmScore [][]string) {

    f, err := os.Create("第" + strconv.Itoa(index) + "页.txt")

    if err != nil {

        fmt.Println("os create err", err)

        return

}

    defer f.Close()

    // 查出有多少条

    n := len(filmName)

    // 先写抬头 名称     评分

    f.WriteString("电影名称" + "\t\t\t" + "评分" + "\n")

    for i := 0; i < n; i++ {

        f.WriteString(filmName[i][1] + "\t\t\t" + filmScore[i][1] + "\n")

}

}

func main() {

    var start, end int

    fmt.Print("请输入要爬取的起始页")

    fmt.Scan(&start)

    fmt.Print("请输入要爬取的终止页")

    fmt.Scan(&end)

    working(start, end)

}

func working(start int, end int) {

    fmt.Printf("正在爬取%d到%d页", start, end)

    for i := start; i <= end; i++ {

        SpiderPage(i)

}

}

// 爬取一个豆瓣页面数据信息保存到文档

func SpiderPage(index int) {

    // 获取url

    url := "https://movie.douban.com/top250?start=" + strconv.Itoa((index-1)*25) + "&filter="

    // 爬取url对应页面

    result, err := HttpGet(url)

    if err != nil {

        fmt.Println("httpget err", err)

        return

}

    //fmt.Println("result=", result)

    // 解析，编译正则表达式  ---电影名称

    ret := regexp.MustCompile(`<img width="100" alt="(?s:(.*?))"`)

    filmName := ret.FindAllStringSubmatch(result, -1)

    for _, name := range filmName {

        fmt.Println("name", name[1])

}

    ret2 := regexp.MustCompile(`<span class="rating_num" property="v:average">(?s:(.*?))<`)

    filmScore := ret2.FindAllStringSubmatch(result, -1)

    for _, score := range filmScore {

        fmt.Println("score", score[1])

}

    savToFile(index, filmName, filmScore)

}

// 爬取指定url页面，返回result

func HttpGet(url string) (result string, err error) {

    req, _ := http.NewRequest("GET", url, nil)

    // 设置头部信息

    req.Header.Set("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/79.0.3945.130 Safari/537.36 OPR/66.0.3515.115")

    resp, err1 := (&http.Client{}).Do(req)

    //resp, err1 := http.Get(url)  //此方法已经被豆瓣视为爬虫，返回状态吗为418，所以必须伪装头部用上述办法

    if err1 != nil {

        err = err1

        return

}

    defer resp.Body.Close()

    buf := make([]byte, 4096)

    //循环爬取整页数据

    for {

        n, err2 := resp.Body.Read(buf)

        if n == 0 {

            break

}

        if err2 != nil && err2 != io.EOF {

            err = err2

            return

}

        result += string(buf[:n])

}

    return

}

到此这篇关于Golang爬虫及正则表达式的实现示例的文章就介绍到这了

原文链接：https://www.cnblogs.com/littleperilla/p/15721635.html

Golang爬虫及正则表达式的实现示例

目录

字符

数量限定

其他

爬虫

补充：正则表达式加golang爬虫爬取经典案例豆瓣top250