正文

用go语言爬取珍爱网 | 第二回

IP云
IP云V管理员/6 阅读
11/30
提示：扫一扫查出行
【扫一扫了解最新限行尾号】
复制提示

昨天我们一起爬取珍爱网首页，拿到了城市列表页面，接下来在返回体城市列表中提取城市和url，即下图中的a标签里的href的值和innerText值。

提取a标签，可以通过CSS选择器来选择，如下：

$('#cityList>dd>a');就可以获取到470个a标签：

这里只提供一个思路，go语言标准库里没有CSS解析库，通过第三方库可以实现。具体可以参考文章：

https://my.oschina.net/2xixi/blog/488811

http://liyangliang.me/posts/2016/03/zhihu-go-insight-parsing-html-with-goquery/

这两篇文章都是用goquery解析 HTML，用到了库：

https://github.com/PuerkitoBio/goquery

也可以用xpath去解析html，可以参考：

https://github.com/antchfx/xquery

xpath和goquery相比还是比较麻烦的，通过以下这张图可以看出来goquery要活跃的多：

我们这里不用xpath，也不用goquery提取，用更加通用的正则表达式来提取。

从上图可以看出，返回体中的a标签里都是这种形式，XXX表示城市拼音，XX表示城市中文，其他的都一样。 

<a href="http://www.zhenai.com/zhenghun/XXX"

                      class="">XX</a>

所以可以写出以下的正则表达式来匹配： 

compile := regexp.MustCompile(`<a href="http://www.zhenai.com/zhenghun/[0-9a-z]+"[^>]*>[^<]+</a>`)

正则表达式说明： 

1、href的值都类似http://www.zhenai.com/zhenghun/XX

2、XX可以是数字和小写字母,所以[0-9a-z],+表示至少有一个

3、[^>]*表示匹配不是>的其他字符任意次

4、[^<]+表示匹配不是<的其他字符至少一次

然后利用分组获取url和城市，代码如下： 

func printAllCityInfo(body []byte){

 //href的值都类似http://www.zhenai.com/zhenghun/XX

 //XX可以是数字和小写字母,所以[0-9a-z],+表示至少有一个

 //[^>]*表示匹配不是>的其他字符任意次

 //[^<]+表示匹配不是<的其他字符至少一次

 compile := regexp.MustCompile(`<a href="(http://www.zhenai.com/zhenghun/[0-9a-z]+)"[^>]*>([^<]+)</a>`)

 submatch := compile.FindAllSubmatch(body, -1)

 for _, matches := range submatch {

   //打印

   fmt.Printf("City:%s URL:%s\n", matches[2], matches[1])

 }

 //可以看到匹配个数为470个

 fmt.Printf("Matches count: %d\n", len(submatch))

}

那么提取URL和City的完整代码如下： 

package main

import (

 "fmt"

 "io/ioutil"

 "net/http"

 "golang.org/x/text/transform"

 //"golang.org/x/text/encoding/simplifiedchinese"

 "io"

 "golang.org/x/text/encoding"

 "bufio"

 "golang.org/x/net/html/charset"

 "regexp"

)

func main() {

 //返送请求获取返回结果

 resp, err := http.Get("http://www.zhenai.com/zhenghun")

 if err != nil {

   panic(fmt.Errorf("Error: http Get, err is %v\n", err))

 }

 //关闭response body

 defer resp.Body.Close()

 if resp.StatusCode != http.StatusOK {

   fmt.Println("Error: statuscode is ", resp.StatusCode)

   return

 }

 //utf8Reader := transform.NewReader(resp.Body, simplifiedchinese.GBK.NewDecoder())

 utf8Reader := transform.NewReader(resp.Body, determinEncoding(resp.Body).NewDecoder())

 body, err := ioutil.ReadAll(utf8Reader)

 if err != nil {

   fmt.Println("Error read body, error is ", err)

 }

 printAllCityInfo(body)

 //打印返回值

 //fmt.Println("body is ", string(body))

}

func determinEncoding(r io.Reader) encoding.Encoding {

 //这里的r读取完得保证resp.Body还可读

 body, err := bufio.NewReader(r).Peek(1024)

 if err != nil {

   fmt.Println("Error: peek 1024 byte of body err is ", err)

 }

 //这里简化,不取是否确认

 e, _, _ := charset.DetermineEncoding(body, "")

 return e

}

func printAllCityInfo(body []byte){

 //href的值都类似http://www.zhenai.com/zhenghun/XX

 //XX可以是数字和小写字母,所以[0-9a-z],+表示至少有一个

 //[^>]*表示匹配不是>的其他字符任意次

 //[^<]+表示匹配不是<的其他字符至少一次

 compile := regexp.MustCompile(`<a href="(http://www.zhenai.com/zhenghun/[0-9a-z]+)"[^>]*>([^<]+)</a>`)

 /*matches := compile.FindAll(body, -1)

 //matches是二维数组[][]byte

 for _, m := range matches {

   fmt.Printf("%s\n", m)

 }

 */

 submatch := compile.FindAllSubmatch(body, -1)

 //submatch是三维数组[][][]byte

/*  for _, matches := range submatch {

   //[][]byte

   for _, m := range matches {

     fmt.Printf("%s ", m)

   }

   fmt.Println()

 }*/

 for _, matches := range submatch {

   //打印

   fmt.Printf("City:%s URL:%s\n", matches[2], matches[1])

 }

 //可以看到匹配个数为470个

 fmt.Printf("Matches count: %d\n", len(submatch))

 //打印abc

 //fmt.Printf("%s\n", []byte{97,98,99})

}

运行后，可以看到输出了URL和City：

今天我们完成了URL和城市的提取，明天我们将利用URL，来进一步分析城市的男女性个人信息。

本公众号 免费 提供csdn下载服务，海量IT学习资源， 如果你准备入IT坑，励志成为优秀的程序猿，那么这些资源很适合你，包括但不限于java、go、python、springcloud、elk、嵌入式 、大数据、面试资料、前端 等资源。同时我们组建了一个技术交流群，里面有很多大佬，会不定时分享技术文章，如果你想来一起学习提高，可以公众号后台回复【 2 】，免费邀请加技术交流群互相学习提高，会不定期分享编程IT相关资源。

扫码关注，精彩内容第一时间推给你

相关阅读

目录[+]