快捷導(dǎo)航

go?語言爬蟲庫goquery的具體使用

更新時間：2024年01月28日 11:24:31 作者：過去日記

GoQuery是專為Go語言設(shè)計的一個強大的HTML解析和查詢庫，本文主要介紹了go語言爬蟲庫goquery的具體使用，具有一定的參考價值，感興趣的可以了解一下

爬蟲介紹

爬蟲，又稱網(wǎng)頁抓取、網(wǎng)絡(luò)蜘蛛或網(wǎng)絡(luò)爬蟲，是一種自動瀏覽互聯(lián)網(wǎng)并從網(wǎng)站上獲取信息的程序或腳本。它通過模擬人類瀏覽器的行為，按照預(yù)設(shè)的規(guī)則和策略遍歷互聯(lián)網(wǎng)上的網(wǎng)頁，并將所獲取的數(shù)據(jù)存儲下來進行進一步處理和分析。
爬蟲在我們生活中可以產(chǎn)生的東西有很多

搜索引擎索引構(gòu)建：搜索引擎會使用爬蟲抓取互聯(lián)網(wǎng)上的網(wǎng)頁，分析其內(nèi)容并建立索引，以便用戶在搜索時能夠快速找到相關(guān)結(jié)果。
數(shù)據(jù)分析與研究：數(shù)據(jù)分析師和研究人員可以編寫爬蟲來收集特定領(lǐng)域的信息，如電子商務(wù)網(wǎng)站的商品價格、評論等，用于市場趨勢分析、競品監(jiān)測、消費者行為研究等。
新聞聚合：新聞聚合類應(yīng)用通過爬蟲從多個新聞網(wǎng)站獲取最新的文章標題、摘要以及鏈接，為用戶提供一站式的新聞閱讀體驗。
社交媒體監(jiān)控：針對社交媒體平臺的爬蟲可以抓取公開的帖子、評論等內(nèi)容，用于輿情分析、熱點話題追蹤、品牌口碑監(jiān)測等。
企業(yè)信息抓?。荷虡I(yè)情報機構(gòu)或公司可能需要抓取工商注冊、專利申請、招聘信息等公開的企業(yè)數(shù)據(jù)，進行行業(yè)分析、潛在客戶挖掘等工作。
教育資源整理：教育領(lǐng)域中，爬蟲可以用來搜集網(wǎng)絡(luò)課程資源、學(xué)術(shù)論文、圖書資料等，并進行整理歸類。
網(wǎng)站性能檢測：某些類型的爬蟲（例如蜘蛛俠）用于模擬大量用戶訪問以測試網(wǎng)站性能，檢查是否存在服務(wù)器響應(yīng)延遲、頁面加載慢等問題。
法律合規(guī)審計：在網(wǎng)絡(luò)合規(guī)性審查中，爬蟲可以用于查找非法或侵權(quán)內(nèi)容，協(xié)助監(jiān)管部門進行網(wǎng)絡(luò)環(huán)境凈化。

在生活中爬蟲其實可以做很多事情，鑒于本文是一個入門教程，就接下來會以一個爬取csdn網(wǎng)頁增加流量的列子逐步介紹和完善我們的爬蟲程序。

goquery介紹

GoQuery是專為Go（Golang）語言設(shè)計的一個強大的HTML解析和查詢庫。它模仿了jQuery的API風格，使得在Go中處理HTML文檔變得簡單且直觀。

GoQuery主要用于網(wǎng)頁抓取（Web Scraping），能夠通過CSS選擇器來定位、遍歷和操作HTML元素。你可以使用它來提取網(wǎng)頁中的特定數(shù)據(jù)、修改DOM結(jié)構(gòu)或進行其他與HTML文檔相關(guān)的操作。

安裝

go get github.com/PuerkitoBio/goquery

創(chuàng)建文檔

doc,err := goquery.NewDocumentFromReader(reader io.Reader)
doc,err := goquery.NewDocument(url string)
doc,err := goquery.NewDocument(strings.NewReader("<p>這里是內(nèi)容</p>")

內(nèi)置函數(shù)

1） array.go : 類似數(shù)組的定位函數(shù)

Eq(index int) *Selection //根據(jù)索引獲取某個節(jié)點集
First() *Selection //獲取第一個子節(jié)點集
Get(index int) *html.Node //根據(jù)索引獲取一個節(jié)點
Index...() int //返回選擇對象中第一個元素的位置
Last() *Selection //獲取最后一個子節(jié)點集
Slice(start, end int) *Selection //根據(jù)起始位置獲取子節(jié)點集

2）expand.go : 擴展函數(shù)

Add...()
AndSelf()
Union() // AddSelection()的別名

3）filter.go : 過濾函數(shù), 用于減少選擇范圍

End()
Filter...()
Has...()
Intersection() //FilterSelection()的別名
Not...()

4）iteration.go : 循環(huán)遍歷選擇節(jié)點的函數(shù)

Each(f func(int, *Selection)) *Selection //遍歷
EachWithBreak(f func(int, *Selection) bool) *Selection //可中斷遍歷
Map(f func(int, *Selection) string) (result []string) //返回字符串數(shù)組

5）manipulation.go : 修改文檔的函數(shù)

After...()
Append...()
Before...()
Clone()
Empty()
Prepend...()
Remove...()
ReplaceWith...()
Unwrap()
Wrap...()
WrapAll...()
WrapInner...()

6）property.go :檢測或獲取節(jié)點屬性值的函數(shù)

Attr*(), RemoveAttr(), SetAttr() //獲取，移除，設(shè)置屬性的值
AttrOr(e string,d string) //獲取對應(yīng)的標簽屬性。這個可以設(shè)置第二個參數(shù)。獲取的默認值，如果獲取不到默認調(diào)用對應(yīng)默認值
AddClass(), HasClass(), RemoveClass(), ToggleClass()
Html() //獲取該節(jié)點的html
Length() //返回該Selection的元素個數(shù)
Size() //Length()的別名
Text() //獲取該節(jié)點的文本值

7）query.go : 節(jié)點查找的函數(shù)

Contains() //獲取當前節(jié)點下的所有節(jié)點
Is...()

8）traversal.go : 遍歷HTML文檔樹的函數(shù)

在文檔樹之間來回跳轉(zhuǎn)（常用的查找節(jié)點方法）

Children...() //返回selection中各個節(jié)點下的孩子節(jié)點
Contents() //獲取當前節(jié)點下的所有節(jié)點
Find...() //查找獲取當前匹配的元素
Next...() *Selection //獲取下一個兄弟節(jié)點集，下一個元素
NextAll() *Selection //獲取后面所有兄弟節(jié)點集
Parent[s]...()
Prev...() *Selection //前一個兄弟節(jié)點集，上一個元素
Siblings...()

9）type.go : goQuery定義的類型

Document
Selection
Matcher

10）utilities.go : 輔助函數(shù)的定義（而不是* Selection上的方法），jQuery沒有該部分，但對goquery很有用

NodeName
OuterHtml

利用NewDocumentFromReader方法獲取主頁信息

NewDocumentFromReader 是GoQuery庫中的一個函數(shù)，用于從io.Reader接口讀取的HTML數(shù)據(jù)創(chuàng)建一個新的文檔對象。對于文檔對象是什么我們會在下文經(jīng)性講解。
func NewDocumentFromReader(reader io.Reader) (*Document, error)

以下我們查找主頁信息的代碼,studycodeday是博主本人的主頁，想要訪問自己的主頁，只需要把studycodeday改成自己的用戶id就行。

func main() {
	// 通過http發(fā)送get請求
	req, err := http.Get("https://blog.csdn.net/studycodeday")
	if err != nil {
		slog.Error("訪問主頁失敗")
	}
	defer req.Body.Close()
	// 解析請求體
	doc, err := goquery.NewDocumentFromReader(req.Body)
	// 讓請求體按照html格式輸出，也有Text()按照文本輸出的方法
	fmt.Println(doc.Html())
}

效果

在這里插入圖片描述

Document介紹

在GoQuery庫中，Document是代表整個HTML文檔的對象。它是對原始HTML內(nèi)容解析后形成的DOM樹的抽象表示，提供了與jQuery類似的接口來操作和查詢HTML元素。

*goquery.Document主要有以下特點和功能：

初始化：
從本地文件或io.Reader讀?。菏褂胓oquery.NewDocumentFromReader(reader io.Reader)從任何實現(xiàn)了io.Reader接口的對象（如文件、HTTP響應(yīng)體等）創(chuàng)建一個Document對象。
查找元素：
使用CSS選擇器進行查找：doc.Find(selector string)返回一個新的Selection對象，該對象包含了所有匹配給定CSS選擇器的元素。
遍歷和操作元素：
Each(func(int, *goquery.Selection))方法用于迭代選區(qū)中的每個元素，并對其執(zhí)行回調(diào)函數(shù)。
提供了類似jQuery的方法，如.Children()獲取子元素、.Parents()獲取父元素等。
屬性操作：
Attr(name string) (string, bool)：獲取首個匹配元素的指定屬性值及其是否存在。
SetAttr(name, value string)：為所有匹配元素設(shè)置指定屬性的值。
文本和HTML內(nèi)容操作：
Text() string：獲取所有匹配元素的合并文本內(nèi)容。
Html() string：獲取首個匹配元素的HTML內(nèi)容。
其他功能：

goquery.Document對象是GoQuery庫的核心組成部分，它封裝了對HTML文檔進行各種復(fù)雜查詢和操作的能力。

通過查詢獲取文章信息

css選擇器介紹

獲取文章需要我們通過查詢的方式，goquery提供了能夠通過CSS選擇器來定位元素。
其類型包括但不限于以下幾種：

基本選擇器：

*：匹配所有元素。
element：匹配所有指定類型的元素，如 div、span 等。
.class：匹配具有指定類名的元素，如 .myClass。
#id：匹配ID為指定值的元素，如 #header。

屬性選擇器：

[attribute]：匹配具有指定屬性的元素，不論該屬性值為何。
[attribute=value]：匹配屬性值等于指定值的元素，如 [href=“http://example.com”]。
[attribute^=value]、[attribute$=value]、[attribute*=value]：分別匹配屬性值以指定值開頭、結(jié)尾或包含指定值的元素。

層次選擇器：

parent > child：匹配作為指定父元素直接子元素的所有child元素。
ancestor descendant：匹配在ancestor元素內(nèi)的所有descendant元素（無論嵌套多深）。
prev + next：匹配緊跟在prev元素之后的next元素。
prev ~ siblings：匹配prev元素之后的所有同輩siblings元素。

偽類選擇器：

:first-child、:last-child、:nth-child(n)：匹配某個元素在其父元素內(nèi)是第一個、最后一個或第n個子元素的情況。
:not(selector)：排除匹配給定選擇器的元素。

goquery中的選擇器

Find()：doc.Find(selector string)根據(jù)給定的CSS選擇器在當前選區(qū)（Selection）中查找匹配的元素。例如，doc.Find(“h1”)會找到所有

標簽。

Filter()：

selection.Filter(selector string)在當前選區(qū)中過濾出符合指定CSS選擇器的元素子集。

Eq()：

selection.Eq(index int)返回當前選區(qū)中索引為index的單個元素。索引從0開始。

First() 和 Last()：selection.First()selection.Last()分別返回當前選區(qū)中的第一個或最后一個元素。

Next() 和 Prev()：selection.NextAll()selection.PrevAll()獲取當前元素之后的所有同輩元素或之前的所有同輩元素。

Children()：

selection.Children()獲取當前選區(qū)中所有直接子元素。

Parents() 和 Closest()：selection.Parents()selection.Closest(selector string)Parents()返回當前選區(qū)中所有父級元素，而Closest()返回最近的且匹配給定CSS選擇器的祖先元素。

Attr()：attr, exists := selection.Attr(attributeName string)獲取當前選區(qū)中首個元素的屬性值，exists用于判斷該屬性是否存在。

Each()：selection.Each(func(i int, s *goquery.Selection) {})遍歷當前選區(qū)中的每一個元素，并對每個元素執(zhí)行一個函數(shù)。

獲取主頁中的文章鏈接

首先我們要打開f12調(diào)試工具，找到我們需要爬取數(shù)據(jù)的所在的具體位置。

在這里插入圖片描述

由上圖可知我們的文章連接在擁有class=“mainContent” 的div盒子里，這個盒子包括了二十個含有 class=“blog-list-box” 的article標簽，我們所需要的內(nèi)容就在article標簽下面的a標簽的herf中。

這里我們采用層次原則器 ancestor descendant：匹配在ancestor元素內(nèi)的所有descendant元素（無論嵌套多深）。把文章盒子提取來之后我們還需要通過Each方法遍歷輸出a標簽中的href屬性的值

	// 通過http發(fā)送get請求
	req, err := http.Get("https://blog.csdn.net/studycodeday")
	if err != nil {
		slog.Error("訪問主頁失敗")
	}
	defer req.Body.Close()
	// 解析請求體
	doc, err := goquery.NewDocumentFromReader(req.Body)
	//fmt.Println(doc.Find(".mainContent .blog-list-box").Length())
	doc.Find(".mainContent .blog-list-box").Each(func(i int, s *goquery.Selection) {
		fmt.Println(s.Find("a").Attr("href"))
	})

效果在這里插入圖片描述

爬取

以上我們就完成了主頁文章信息的爬取，我們只需要吧內(nèi)容存在數(shù)組中，經(jīng)行爬取訪問即可。
代碼

func main() {
	var urls = make([]string, 0, 20)
	// 通過http發(fā)送get請求
	req, err := http.Get("https://blog.csdn.net/studycodeday")
	if err != nil {
		slog.Error("訪問主頁失敗")
	}
	defer req.Body.Close()
	// 解析請求體
	doc, err := goquery.NewDocumentFromReader(req.Body)
	//fmt.Println(doc.Find(".mainContent .blog-list-box").Length())
	doc.Find(".mainContent .blog-list-box").Each(func(i int, s *goquery.Selection) {
		url, _ := s.Find("a").Attr("href")
		//添加到數(shù)組中
		urls = append(urls, url)
	})
	for _, url := range urls {
		_, err = http.Get(url)
		if err != nil {
			slog.Error("訪問網(wǎng)頁失敗：" + url)
		}
		fmt.Println("訪問成功：" + url)
		time.Sleep(time.Duration(rand.Int31n(60)) * time.Second)
	}
}

效果

在這里插入圖片描述