golang http 返回html文件_用Golang写爬虫(三)

原文地址: https://strconv.com/posts/web-crawler-exercise-3/

在写爬虫的时候，想要对HTML内容进行选择和查找匹配时通常是不直接写正则表达式的：因为正则表达式可读性和可维护性比较差。用Python写爬虫这方面可选择的方案非常多了，其中有一个被开发者常用的库pyquery，而Golang也有对应的goquery，可以说goquery是jQuery的Golang版本实现。借用jQueryCSS选择器的语法可以非常方面的实现内容匹配和查找。

安装goquery

goquery是第三方库，需要手动安装：

❯ go get github.com/PuerkitoBio/goquery

创建文档

goquery向外暴露的结构主要是goquery.Document，一般是由2种方法创建的：

doc, error := goquery.NewDocumentFromReader(reader io.Reader)
doc, error := goquery.NewDocument(url string)

第二种直接传入了url，但是往往我们会对请求做很多定制（如添加头信息、设置Cookie等），所以常用的是第一种方法，我们的代码也要做对应的改动：

import ("fmt""log""net/http""strconv""time""github.com/PuerkitoBio/goquery"
)func fetch(url string) *goquery.Document {...defer resp.Body.Close()doc, err := goquery.NewDocumentFromReader(res.Body)if err != nil {log.Fatal(err)}return doc

原来是把res.Body转成字符返回，现在直接返回goquery.Document类型的doc了

CSS选择器

这篇文章不会具体介绍选择器的语法，如果你还不了解可以直接看文末的延伸阅读链接一。

我们先看看豆瓣电影Top250单个条目的部分相关的HTML代码：

<ol class="grid_view"><li><div class="item"><div class="info"><div class="hd"><a href="https://movie.douban.com/subject/1292052/" class=""><span class="title">肖申克的救赎</span><span class="title">&nbsp;/&nbsp;The Shawshank Redemption</span><span class="other">&nbsp;/&nbsp;月黑高飞(港)  /  刺激1995(台)</span></a><span class="playable">[可播放]</span></div></div></div></li>....
</ol>

还是原来的需求：获得条目ID和标题。这次需要把parseUrls的逻辑改成使用goquery的版本：

func parseUrls(url string, ch chan bool) {doc := fetch(url)doc.Find("ol.grid_view li").Find(".hd").Each(func(index int, ele *goquery.Selection) {movieUrl, _ := ele.Find("a").Attr("href")fmt.Println(strings.Split(movieUrl, "/")[4], ele.Find(".title").Eq(0).Text())})time.Sleep(2 * time.Second)ch <- true
}

doc.Find的参数就是css选择器，而且Find支持链式调用。这里的意思就是先找雷鸣是"grid_view"的所有ol下的li元素，然后再找li元素里面以hd为名字的元素（看上面的HTML可以知道是div）。Find找到的结果是列表，需要使用Each方法循环获得，可以传递一个包含索引index和子元素ele参数的函数，获得具体内容的逻辑就在这个函数中。

在上面的例子中，类名叫做title的span一共有2个，所以需要取第一个（用Eq(0)），Text方法可以获得元素的内容。而获得条目ID的方法是先拿到条目页面链接（用Attr获得href属性，注意，它返回2个参数，第一个是属性值，第二是是否存在这个属性）。这样就拿到了ID和标题啦，是不是可读性和可维护性高了很多呢？

PS：其实爬虫练习的目的已经达到了，获得更多内容就是多写些逻辑罢了。

代码地址

完整代码可以在这个地址找到。