Golang 原生实现简单爬虫：了解网络爬虫原理

本文来自作者Master在GitChat上分享 「Golang 原生实现简单爬虫」

探索技术的路上本应该自己造轮子，即使市面上有再多的选择，自己动手尝试也是必要的。

第一次尝试必然会问题众多，但你解决它是一件很有成就感的事情，这样才能带给你更大的进步和更深刻的领悟。

如果感兴趣的不妨一起来实现一下这个简单的爬虫。

其实用 Golang 实现爬虫是很简单是事情，但也分情况，我们这次的文章就分享一种最简单的爬虫实现方式，用到的官方库如下：

如果你能单单通过这些库就想到该怎么做了，那你就很棒棒了。

为了让程序能一直运行下去，我们首先要有一个源网页，然后不断爬抓记录新的链接，记录的手段有很多。

比如存在数据库、通过 Redis 缓存、存在文本文件，最简单的应该就是存在数据库了，这个看你们的技术偏向了。我打算把爬来的链接储存在文本文件里。

首先，了解自己爬抓的目标，我准备爬取所有的 Golang 相关答疑或者文章，然后翻来覆去很多网站都感觉不适合做源网址，然后灵机一动，百度一下：

然后就用这样作为源网址吧：

有了源网址，那下面的事情只要捋顺就好办了。首先我们为了抓取到链接，需要一个正则表达式：

因为这个正则表达式我们后面可能会复用，所以可以存到一个全局变量里。

一个爬虫如果不限制分秒爬抓次数，那你的网络肯定会受不了，如果电脑配置不行的话，电脑也会挂掉，所以我们需要写一个计时器，Golang 已经提供了计时器的包 => time：

为什么要写在一个 Timer 函数里？当然是用来调用的。

因为我们存在两种情况，第一次爬取或不是第一次爬取的情况是做不同操作的。

那要怎么判断呢？

因为我们的链接是储存在 txt 文件里的，所以我们只需要去查 txt 文件是不是为空，如果为空就认为他是第一次执行程序，先访问源网址，否则就按照文件里的链接依次访问。

代码如下：

那我们先看一下 firstStart() 函数，稍后再解释代码：

其实很简单，就是发起一个 get 请求，然后你会获取到 byte[] 类型的数据，转换成 string 类型之后，就是网页的代码了。

分解一下（了解原理的跳过这段）：

这段主要是发起一个 get 网络请求，然后把请求到的 byte 数据转成 stirng 类型的数据，跳过正则获取匹配链接获取一个链接数组（不过分赘述，如果还不懂 http 请求可以另寻百度）。

通过循环数组，首先对链接里的特殊符号做特出处理，然后通过 checkRegexp 函数做查重，就是防止有多个重复链接记录导致浪费资源，最后存入 txt 文件。

checkRegexp 函数：

这里，程序的首次执行已经完成，并可以成功记录爬取的链接了。程序执行如下：

程序首次执行成功后，我们已经成功获取了源页面所提供的链接地址。下面我们自然要做的就是通过计时器来爬抓链接列表里的地址。

下一步就是要通过地址列表里的地址逐一爬抓，去掉已经爬抓过的练级，并记录新的有效链接到地址列表里。

再看一下我们的main函数：

上面的 firstStart 函数（首次执行爬抓）已经执行过了，那就会重新调用 main 函数，也就是在执行一次判断，但是因为我们的 url.txt 里已经有 12 条 Url 地址，所以这次会执行 Timer 函数。

Timer 函数里我们写了一个计时器，防止程序崩溃或者网络崩溃，所以我这里设置了 1 秒执行一次，其实没有必要这样，一秒钟执行 3-8 次也是没什么大问题的（本地情况下），如果放在服务器上，那你得看一下自己的服务器配置和带宽配置酌情考虑了。

看一下 Timer 函数吧：

emm…毫不夸张的表示我看自己的代码都有点吃力。

上面的代码创建了一个计时器，时间为一秒。刚开始肯定是先要打开 url.txt 文件，因为是要做删除和添加操作的，所以打开的模式是读写追加。

这一句就是获取 url.txt 里的第一条链接地址，我们要先判断一下这个链接内容是不是我们想要的，所以我又用到了之前封装的一个正则检查的函数。

checkRegexp 函数：

所用到的正则 => regTitle、regCheckTitle

regTitle 是为了在代码中匹配真标题，因为有些网站为了防止爬虫，做了一些假标题以混淆视听，但是这些小伎俩还是很容易解决的，这个 regTitle 足以屏蔽掉 70% 的假标题。

反正爬虫就是要和各大网站斗智斗勇。

regCheckTitle 是为了过滤出这个网址是不是我想要的内容，所以我简单的写了一串正则。

这串正则的意思主要是标题要带有为什么、怎么等关键词，然后标题必须有 Golang 或者 Go 的存在，这样的内容基本上是我想要的了。

判断的代码段：

如果匹配不到，那就跳过这一条链接咯，反正不是我想要的~

这一段就是说删掉这一条链接地址，如果没有有一段，你的爬虫将不厌其烦的去爬抓第一条链接地址，能一直爬到你的 IP 被服务器安全程序处理掉。

应该有人发现，然后呢？怎么没有把东西入库，怎么没有抓取新的链接。

emm…最近有点忙，这一段还没写，不过这些内容已经把爬虫的基本原理都给讲掉了，其实很简单对不对，就是发起 http 请求，然后通过正则匹配出自己想要的内容，再做后续的入库或者注入新鲜链接地址，让程序一直运行下去就好了。

运行一下：

嗯，就这样，有效内容就过滤出来了。

然后如果想要把文章内容提取出来，只需要一个很简单的正则就可以了，这里的处理步骤其实可以写一个单独的函数来调用。但博主现在还没有写，可能会在第三篇写上，如果访问量破2k的话大笑

为了防止有些地方细节代码没有贴上，我把 main.go 的代码贴一下吧，也可以进文章底部的链接下载整个程序的代码实例。

别跑，文章精髓内容在底部的总结，可以往下翻翻看一下。

main.go:

附代码实例：

https://download.csdn.net/download/superwebmaster/10415730

最后总结：

其实爬虫的基本原理的很简单的，步骤总的分为以下几步：

爬虫目标，没有一个目标的爬虫是没有灵魂的爬虫

自定一个源页面，也就是爬虫入口，用于获取更多资源链接

发送 http 请求，获取页面内容

过滤无效内容，防止浪费资源

解析页面，匹配出自己想要的内容

将匹配出来的有效内容入库储存

注入新鲜血液（新的链接）让程序不断执行下去

这是一个最基本的爬虫功能，如果想要拓展下去，其实还有很多的玩法。深入下去你也会发现更多的问题。

因为有些网站为了防爬虫，特地把数据请求留给 Ajax，所以你爬到的页面可能是完全没有内容的，这时候，你就需要和目标网站斗智斗勇，毕竟上有政策，下有对策，办法总比困难多的。

爬虫的原理，基本上已经解释清楚了，代码的逻辑是相通的，只要理解了原理，用任何编程语言实现起来其实都是可以的。

如果有任何问题都可以在GitChat 读者圈提问，我会尽量在最快的时间里回答大家的问题。

扫码免费订阅本 chat

读者圈与作者交流