基于 fasthttp 开发的高性能爬虫框架
下面是一个示例，基本包含了当前已完成的所有功能，使用方法可以参考注释。
import "github.com/thep0y/predator"
func main() {
crawler := predator.NewCrawler(
predator.WithUserAgent("Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:90.0) Gecko/20100101 Firefox/90.0"),
predator.WithCookies(map[string]string{"JSESSIONID": cookie}),
predator.WithProxy(ip), // 或者使用代理池 predator.WithProxyPool([]string)
)
}创建Crawler时有一些可选项用来功能增强。所有可选项参考predator/options.go。
crawler.Get("http://www.baidu.com")对请求和响应的处理参考的是 colly，我觉得 colly 的处理方式非常舒服。
// BeforeRequest 可以在发送请求前，对请求进行一些修补
crawler.BeforeRequest(func(r *predator.Request) {
headers := map[string]string{
"Accept": "*/*",
"Accept-Language": "zh-CN",
"Accept-Encoding": "gzip, deflate",
"X-Requested-With": "XMLHttpRequest",
"Origin": "http://example.com",
}
r.SetHeaders(headers)
// 请求和响应之间的上下文传递，上下文见下面的上下文示例
r.Ctx.Put("id", 10)
r.Ctx.Put("name", "tom")
})
crawler.AfterResponse(func(r *predator.Response) {
// 从请求发送的上下文中取值
id := r.Ctx.GetAny("id").(int)
name := r.Ctx.Get("name")
// 对于 json 响应，建议使用 gjson 进行处理
body := gjson.ParseBytes(r.Body)
amount := body.Get("amount").Int()
types := body.Get("types").Array()
})
// 请求语句要在 BeforeRequest 和 AfterResponse 后面调用
crawler.Get("http://www.baidu.com")与 Get 请求有一点不同，通常每个 Post 的请求的参数是不同的，而这些参数都在请求体中，在BeforeRequest中处理请求体虽然可以，但绝非最佳选择，所以在构造 Post 请求时，可以直接传入上下文，用以解决与响应的信息传递。
// BeforeRequest 可以在发送请求前，对请求进行一些修补
crawler.BeforeRequest(func(r *predator.Request) {
headers := map[string]string{
"Accept": "*/*",
"Accept-Language": "zh-CN",
"Accept-Encoding": "gzip, deflate",
"X-Requested-With": "XMLHttpRequest",
"Origin": "http://example.com",
}
r.SetHeaders(headers)
})
crawler.AfterResponse(func(r *predator.Response) {
// 从请求发送的上下文中取值
id := r.Ctx.GetAny("id").(int)
name := r.Ctx.Get("name")
// 对于 json 响应，建议使用 gjson 进行处理
body := gjson.ParseBytes(r.Body)
amount := body.Get("amount").Int()
types := body.Get("types").Array()
})
body := map[string]string{"foo": "bar"}
// 在 Post 请求中，应该将关键参数用这种方式放进上下文
ctx, _ := context.NewContext()
ctx.Put("id", 10)
ctx.Put("name", "tom")
crawler.Post("http://www.baidu.com", body, ctx)如果不需要传入上下文，可以直接用nil代替：
crawler.Post("http://www.baidu.com", body, nil)multipart/form-data方法需要使用专门的PostMultipart方法，只是当前请求体只支持map[string]string，没有别的原因，因为我只用到这种类型，如果以后有别的需求，再改成map[string]interface{}。
我在爬某网站时的示例如下：
func buildRequestBody(queryID string, page uint) map[string]string {
return map[string]string{
"id": queryID,
"filter": "",
"page": fmt.Sprint(page),
"size": "30",
"language": "CN",
"industryFlag": "1",
}
}
func parsePerPage(u, queryID string, cty, page uint) error {
// 创造请求体
body := buildRequestBody(queryID, page)
// 将请求体中的关键参数传入上下文
ctx, _ := context.NewContext()
ctx.Put("cty", cty)
ctx.Put("qid", queryID)
ctx.Put("page", page)
return crawler.PostMultipart(u, body, ctx)
}
func Run() {
crawler.BeforeRequest(func(r *predator.Request) {
header := map[string]string{
"Accept": "*/*",
"Accept-Language": "zh-CN",
"Accept-Encoding": "gzip, deflate",
"X-Requested-With": "XMLHttpRequest",
"Origin": "http://jszl.patsev.com",
"Referer": "http://jszl.patsev.com/pldb/route/hostingplatform/search/searchIndex",
}
r.SetHeaders(headers)
})
crawler.AfterResponse(func(r *predator.Response) {
cty := r.Ctx.GetAny("cty").(uint)
total := gjson.ParseBytes(r.Body).Get("total").Int()
log.Debugf("分类 [ %d ] 有 %d 条结果", cty, total)
})
// 请求多个分类的第一页内容
var wg sync.WaitGroup
for cty, qid := range TypesID {
wg.Add(1)
go func(cty uint, qid string) {
defer wg.Done()
err := parsePerPage(u, qid, cty, 1)
if err != nil {
log.Errorf("分类 [ id=%d ] 爬取第一页时失败：%s", cty, err)
}
}(cty, qid)
}
wg.Wait()
}上下文是一个接口，我实现了两种上下文：
- ReadOp：基于
sync.Map实现，适用于读取上下文较多的场景 - WriteOp：用
map实现，适用于读写频频率相差不大或写多于读的场景，这是默认采用的上下文
爬虫中如果遇到了读远多于写时就应该换ReadOp了，如下代码所示：
ctx, err := NewContext(context.ReadOp)爬虫的结果大体可分为两种，一是 HTML 响应，另一种是 JSON 格式的响应。
与 JSON 相比，HTML 需要更多的代码处理。
本框架对 HTML 处理进行了一些函数封装，能方便地通过 css selector 进行元素的查找，可以提取元素中的属性和文本等。
crawl := NewCrawler()
crawl.ParseHTML("body", func(he *html.HTMLElement) {
// 元素内部 HTML
h, err := he.InnerHTML()
// 元素整体 HTML
h, err := he.OuterHTML()
// 元素内的文本（包括子元素的文本）
he.Text()
// 元素的属性
he.Attr("class")
// 第一个匹配的子元素
he.FirstChild("p")
// 最后一个匹配的子元素
he.LastChild("p")
// 第 2 个匹配的子元素
he.Child("p", 2)
// 第一个匹配的子元素的属性
he.ChildAttr("p", "class")
// 所有匹配到的子元素的属性切片
he.ChildrenAttr("p", "class")
}c := NewCrawler(
// 使用此 option 时自动使用指定数量的协程池发出请求，不使用此 option 则默认使用同步方式请求
// 设置的数量不宜过少，也不宜过多，请自行测试设置不同数量时的效率
WithConcurrency(30),
)
crawler.AfterResponse(func(r *predator.Response) {
// handle response
})
for i := 0; i < 10; i++ {
c.Post(ts.URL+"/post", map[string]string{
"id": fmt.Sprint(i + 1),
}, nil)
}本来想着封装一个 JSON 包用来快速处理 JSON 响应，但是想了一两天也没想出个好办法来，因为我能想到的，gjson都已经解决了。
对于 JSON 响应，能用gjson处理就不要老想着反序列化了。对于爬虫而言，反序列化是不明智的选择。
当然，如果你确实有反序列化的需求，也不要用标准库，使用封装的 JSON 包中的序列化和反序列化方法比标准库性能高。
import "github.com/thep0y/predator/json"
json.Marshal()
json.Unmarshal()
json.UnmarshalFromString()对付 JSON 响应，当前足够用了。
- 完成对失败响应的重新请求，直到重试了传入的重试次数时才算最终请求失败
- 识别因代理失效而造成的请求失败。当使用代理池时，代理池中剔除此代理；代理池为空时，终止整个爬虫程序
- 考虑到使用代理必然是因为不想将本地 ip 暴露给目标网站或服务器，所以在使用代理后，当所有代理都失效时，不再继续发出请求
- HTML 页面解析。方便定位查找元素
- json 扩展，用来处理、筛选 json 响应的数据，原生 json 库不适合用在爬虫上
- 暂时没想到如何封装便捷好用的 json ，当前 json 包中只能算是使用示例
- 协程池，实现在多协程时对每个 goroutine 的复用，避免重复创建
- 定义缓存接口，并完成一种或多种缓存
- 数据库管理接口，用来保存爬虫数据，并完成一种或多种数据库的管理
React
Typescript
Django
Laravel
Facebook
Microsoft
Google
Alibaba
D3
Tencent