【Go 入门学习】第一篇关于 Go 的博客--Go 爬虫初体验
TM0831 人气:1一、写在前面
其实早就该写这一篇博客了，为什么一直没有写呢？还不是因为忙不过来（实际上只是因为太懒了）。不过好了，现在终于要开始写这一篇博客了。在看这篇博客之前，可能需要你对 Go 这门语言有些基本的了解，比如基础语法之类的。话不多说，进入正题。
二、Go 环境配置
1.安装配置
在学习一门语言时，第一步就是环境配置了，Go 也不例外，下面就是 Windows 下 Go 开发环境的配置过程了。
首先你需要下载 Go 的安装包，可以打开 Go 语言中文网下载，地址为：https://studygolang.comhttps://img.qb5200.com/download-x/dl。
下载完成后打开安装（例如安装到 E:\Go 目录），然后配置环境变量，将安装目录下的 bin 目录路径加入环境变量中。这一步完成后打开命令行，输入 go version，若出现版本信息则表明配置成功。
2.配置 GOPATH 和 GOROOT
除了要将 bin 目录加入到环境变量中，还要配置 GOPATH 和 GOROOT，步骤如下：
在用户变量中新建变量 GOPATH：
在系统变量中新建变量 GOROOT：
3. 选择 IDE
在 IDE 的选择上，我比较推荐使用 jetbrains 家的 GoLand，功能强大，使用起来也很方便。
三、下载网页
下载网页使用的是 Go 中原生的 http 库，在使用前需要导包，和 Python 一样用 import 导入即可。如果要发送 GET 请求，可以直接使用 http 中的 Get() 方法，例如：
1 package main
2
3 import (
4 "fmt"
5 "net/http"
6 )
7
8 func main () {
9 html, err := http.Get("https://www.baidu.com/")
10 if err != nil {
11 fmt.Println(err)
12 }
13 fmt.Println(html)
14 }
Get() 方法有两个返回值，html 表示请求的结果，err 表示错误，这里必须对 err 做判断，Go 语言的错误机制就是这样，这里不多做解释。
这么用起来确实很简单，但是不能自己设置请求头，如果要构造请求头的话可以参考下面的例子：
1 req, _ := http.NewRequest("GET", url, nil)
2 // Set User-Agent
3 req.Header.Add("UserAgent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/78.0.3904.97 Safari/537.36")
4 client := &http.Client{}
5 resp, err := client.Do(req)
四、解析网页
1.解析库选择
Go 语言中可以用来解析网页的库也是很齐全的，XPath、CSS 选择器和正则表达式都能用。这里我用的是 htmlquery，这个库使用的是 Xpath 选择器。htmlquery 是用于 HTML 的 XPath 数据提取库，可通过 XPath 表达式从 HTML 文档中提取数据。Xpath 语法就不提了，毕竟用 Python 写爬虫的时候没少用。
先说下 htmlquery 的安装吧，一般会推荐你使用如下命令安装：
go get github.com/antchfx/htmlquery
但是你懂的，出于某些原因就下载不下来，怎么办呢？对于这种能在 GitHub 上找到的库直接 clone 到本地就行了，记得要复制到你的 GOAPTH 下。
2.使用 htmlquery
在使用 htmlquery 这个库的时候，可能会报错说缺少 golang.org\x\text，和上面的解决办法一样，去 GitHub 上找，然后 clone 下来。
下面是 htmlquery 中经常使用的方法及相应含义：
func Parse(r io.Reader) (*html.Node, error)： 返回给定 Reader 的 HTML 的解析树。
func Find(top *html.Node, expr string) []*html.Node： 搜索与指定 XPath 表达式匹配的 html.Node。
func FindOne(top *html.Node, expr string) *html.Node： 搜索与指定 XPath 表达式匹配的 html.Node，并返回匹配的第一个元素，可简单理解为FindOne = Find[0]。
func InnerText(n *html.Node) string： 返回对象的开始和结束标记之间的文本。
func SelectAttr(n *html.Node, name string) (val string)： 返回指定名称的属性值。
func OutputHTML(n *html.Node, self bool) string： 返回包含标签名称的文本。
下面是使用 htmlquery 解析网页的代码：
1 // Used to parse html
2 func parse(html string) {
3 // Parse html
4 root, _ := htmlquery.Parse(strings.NewReader(html))
5 titleList := htmlquery.Find(root, `//*[@id="post_list"]https://img.qb5200.com/download-x/divhttps://img.qb5200.com/download-x/div[2]/h3/a/text()`)
6 hrefList := htmlquery.Find(root, `//*[@id="post_list"]https://img.qb5200.com/download-x/divhttps://img.qb5200.com/download-x/div[2]/h3/a/@href`)
7 authorList := htmlquery.Find(root, `//*[@id="post_list"]https://img.qb5200.com/download-x/divhttps://img.qb5200.com/download-x/div[2]https://img.qb5200.com/download-x/div/a/text()`)
8
9 // Traverse the result
10 for i := range titleList {
11 blog := BlogInfo{}
12 blog.title = htmlquery.InnerText(titleList[i])
13 blog.href = htmlquery.InnerText(hrefList[i])
14 blog.author = htmlquery.InnerText(authorList[i])
15 fmt.Println(blog)
16 }
17 }
需要注意的是由于在 Go 语言中不支持使用单引号来表示字符串，而要使用反引号“`”和双引号来表示字符串。然后因为 Find() 方法返回的是一个数组，因而需要遍历其中每一个元素，使用 for 循环遍历即可。在 for 循环中使用到的 BlogInfo 是一个结构体，表示一个博客的基本信息，定义如下：
1 // Used to record blog information
2 type BlogInfo struct {
3 title string
4 href string
5 author string
6 }
五、Go 并发
在 Go 语言中使用 go 关键字开启一个新的 go 程，也叫 goroutine，开启成功之后，go 关键字后的函数就将在开启的 goroutine 中运行，并不会阻塞当前进程的执行，所以要用 Go 来写并发还是很容易的。例如：
1 baseUrl := "https://www.cnblogs.com/"
2 for i := 2; i < 4; i ++ {
3 url := baseUrl + "#p" + strconv.Itoa(i)
4 // fmt.Println(url)
5 go request(url)
6 }
7
8 // Wait for goroutine
9 time.Sleep(2 * time.Second)
10 request(baseUrl)
这里除了在主进程中有一个 request()，还开启了两个 go 程来执行 request()。不过要注意的是，一旦主进程结束，其余 Go 程也会结束，所以我这里加了一个两秒钟的等待时间，用于让 Go 程先结束。
六、体验总结
由于我本身才刚开始学习 Go，就还有很多东西没有学到，所以这个初体验其实还有很多没写到的地方，比如数据保存，去重问题等等，后面会去多看看 Go 的官方文档。当然了，对我来说，要写爬虫的话还是会用 Python 来写的，不过还是得花时间学习新知识，比如使用 Go 做开发，熟悉掌握 Go 语言就是我的下一目标了。
完整代码已上传到 GitHub！
加载全部内容