Golang 网络爬虫框架gocolly/colly 四

发布时间：2020-12-16 18:22:34 所属栏目：大数据来源：网络整理

导读：Golang 网络爬虫框架gocolly/colly 四爬虫靠演技，表演得越像浏览器，抓取数据越容易，这是我多年爬虫经验的感悟。回顾下个人的爬虫经历，共分三个阶段：第一阶段，09年左右开始接触爬虫，那时由于项目需要，要访问各大国际社交网站，Facebook，myspace，fi

Golang 网络爬虫框架gocolly/colly 四

爬虫靠演技，表演得越像浏览器，抓取数据越容易，这是我多年爬虫经验的感悟。回顾下个人的爬虫经历，共分三个阶段：第一阶段，09年左右开始接触爬虫，那时由于项目需要，要访问各大国际社交网站，Facebook，myspace，filcker，youtube等等，国际上叫得上名字的社交网站都爬过，大部分网站提供restful api，有些功能没有api，就只能用http抓包工具分析协议，自己爬；国内的优酷、土豆、校内网、web版qq、网页邮箱等等也都爬过；那时候先用C#写demo，项目是C++的，所以还要转换成托管C++的代码。第一阶段的主要心得是cookie管理，比较难搞的cookie就借助于webbrowser控件。

第二阶段是13年左右，做的是金融数据分析类软件和网络机器人，爬虫编程语言依然借助于C# ，发包收包全靠HttpWebRequest和HttpWebResponse，cookie管理靠CookieContainer，HTML分析靠HtmlAgilityPack，验证码识别靠自己预处理封装过的tesseract，协议分析靠fiddler，元素选择靠浏览器调试器，这套功夫在手基本可以畅游网络，实现的机器人随意游走于博客、微博，自动留言、发帖、评论；各大金融网站、上交所、深交所、巨潮网络、互动平台等等数据任爬。

第三阶段就是现在了。四年多过去了，重新学习审视爬虫技术，发现武器更强大了：go语言，goquery，colly，chromedp，webloop等，强大的语言及工具使爬虫更简单、更高效。

多年的爬虫经验总结了开头那句话。已知的爬虫手段无外乎三大类：一，分析HTTP协议，构造请求；二，利用浏览器控件，获取cookie、页面元素、调用js脚本等；phantomjs、webloop属于此类；第三类是直接操作浏览器，chromedp属于此类；微软还提供了操纵ie浏览器的com接口，很早以前用C++写过，比较难用，代码写起来很恶心，需要较多的条件判断。构造请求直接快速，浏览器控件和操纵浏览器可靠安全，可以省去很多不必要的协议分析、js脚本分析，但速度慢，加载了很多无用的数据、图片等；第二、三种与第一种混用效果更佳，只要表演地越像浏览器就越安全可靠，或者干脆操纵浏览器，只要不超过服务器的人类操作阈值判定，ip基本不会被封。单ip不够用时，就设置代理来切换。

学无止境，不断用新的武器武装自己。下面贡献一个小例子，爬取上交所的AB股股票列表，简单地show下演技。（哈哈哈）

该页面提供了下载功能，A股的下载地址http://query.sse.com.cn/security/stock/downloadStockListFile.do?csrcCode=&stockCode=&areaName=&stockType=1

B股的下载地址http://query.sse.com.cn/security/stock/downloadStockListFile.do?csrcCode=&stockCode=&areaName=&stockType=2

拿到了这个地址就开始Visit了

 
          c.Visit( 
          "http://query.sse.com.cn/security/stock/downloadStockListFile.do?csrcCode=&stockCode=&areaName=&stockType=1" 
          )

UserAgent设置成了Chrome

c.UserAgent = 
          "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/63.0.3239.108 Safari/537.36" 
         

　　发现不行，程序会报错，

2018/01/03 23:39:27 Forbidden

把这个网址直接在浏览器地址栏中打开也是不行的，会报告“Error 403: SRVE0190E: 找不到文件：/error/error_cn.jsp”

服务端做了些限制，打开fiddler看下协议

请求中有一大堆cookie，第一感觉是可能没有加cookie的缘故，于是利用chromedp打开页面，再调用ajax去请求，刚开始ajax没有带cookie也请求成功了，

后来发现关键在于请求头中的“Referer”，有了Referer就行了。

干脆把所有的头补全，更像浏览器些，这不会吃亏：

          1 
        
          2 
        
          3 
        
          4 
        
          5 
        
          6 
        
          7 
        
          8 
        
          9 
        
       c.OnRequest( 
          func(r *colly.Request) {
 
          r.Headers.Set( 
          "Host" 
          , 
          "query.sse.com.cn" 
          ) 
         
          "Connection" 
          "keep-alive" 
          ) 
         
          "Accept" 
          "*/*" 
          ) 
         
"Origin" 
          "http://www.sse.com.cn" 
          ) 
         
          "Referer" 
          "http://www.sse.com.cn/assortment/stock/list/share/" 
          ) //关键头 如果没有 则返回 错误 
         
"Accept-Encoding" 
          "gzip,deflate" 
          ) 
         
          "Accept-Language" 
          "zh-CN,zh;q=0.9" 
          ) 
         
})

import (

"encoding/csv"

"os"

"strings"

"github.com/gocolly/colly"

)

/*GetStockListA 获取上海证券交易所股票列表

A股

GetStockListA(saveFile string) (err error) {

stocks,err := getStockList( )

if err != nil {

return err

}

err = saveStockList2CSV(stocks,saveFile)

return

}

/*GetStockListB 获取上海证券交易所股票列表

B股

GetStockListB(saveFile string) (err error) {

"http://query.sse.com.cn/security/stock/downloadStockListFile.do?csrcCode=&stockCode=&areaName=&stockType=2" )

err != nil {

err

}

return

}

saveStockList2CSV(stockList string,file string) (err error) {

vals := strings.Split(stockList,monospace!important; font-size:12px!important; min-height:auto!important; color:blue!important">"n"

)

f,err := os.Create(file)

err != nil {

err

}

defer f.Close()

fw := csv.NewWriter(f)

for _,row := range vals {

rSplits := strings.Split(row,monospace!important; font-size:12px!important; min-height:auto!important; color:blue!important">"t" )

rSplitsRslt := make([]string,0)

rSplits {

trimSp := strings.Trim(sp,monospace!important; font-size:12px!important; min-height:auto!important; color:blue!important">" " )

len(trimSp) > 0 {

rSplitsRslt = append(rSplitsRslt,trimSp)

}

}

len(rSplitsRslt) > 0 {

err = fw.Write(rSplitsRslt)

err != nil {

err

}

}

}

fw.Flush()

return

}

getStockList(url string) (stockList string,err error) {

//GET http://query.sse.com.cn/security/stock/downloadStockListFile.do?csrcCode=&stockCode=&areaName=&stockType=1 HTTP/1.1

//Host: query.sse.com.cn

//Connection: keep-alive

//Accept: */*

//Origin: http://www.sse.com.cn

//User-Agent: Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML,like Gecko) Chrome/63.0.3239.108 Safari/537.36

//Referer: http://www.sse.com.cn/assortment/stock/list/share/

//Accept-Encoding: gzip,deflate

//Accept-Language: zh-CN,zh;q=0.9`

c := colly.NewCollector()

(r *colly.Request) {

)

)

)

)

) //关键头如果没有则返回错误

)

)

})

c.OnResponse( (resp *colly.Response) {

stockList = string(resp.Body)

})

c.OnError( (resp *colly.Response,errHttp error) {

err = errHttp

})

err = c.Visit(url)

return

}

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!