介绍一个基于 Go 语言的爬虫框架 colly

大家好，我是TheWeiJun。很高兴又和大家见面了，国庆假期马上就要结束了，在国庆假期里小编看了下colly框架，故这篇文章中将提到colly的使用及分析；欢迎各位读者多多阅读与交流！

特别声明：本公众号文章只作为学术研究，不作为其它不法用途；如有侵权请联系作者删除。

这是「进击的Coder」的第 728 篇技术分享

一、colly框架简介

二、colly特性说明

三、爬虫架构对比

四、colly框架实战

五、colly总结说明

一、colly框架简介

前言：colly 是 Go 实现的比较有名的一款爬虫框架，而且 Go 在高并发和分布式场景的优势也正是爬虫技术所需要的。它的主要特点是轻量、快速，设计非常优雅，并且分布式的支持也非常简单，易于扩展。

github地址: github.com/gocolly/colly

colly官网地址：http://go-colly.org/

从上图中，我们可以看出colly在github社区有着超高的人气，到目前为止已经有17862个赞了。同Python爬虫框架Scrapy一样，属于不同语言中的超人气框架！

二、colly特性说明

谈起爬虫框架，我觉得大家听过最多的就是requests库、Scrapy这类型的Python框架吧。如果再细分，Scrapy框架应该是功能最多也最好用的框架之一吧，优点这里就省略了，今天我们引出一个新的框架colly，先来介绍一下他的特性吧：

干净的API
快速(单核>1k请求/秒)
管理每个域的请求延迟和最大并发性
自动cookie和会话处理
同步/异步并行抓取
分布式抓取
缓存
非unicode响应的自动编码
robots. txt的支持
抓取深度控制
设置跨域开关
谷歌应用程序引擎支持

总结：如果不是认真观察，我都感觉colly是scrapy的孪生兄弟呢，很多功能都极其的相似，接下来就让我们看看这个框架牛逼的地方吧，为啥会有这么多的star呢？

三、爬虫架构对比

了解爬虫的都知道一个爬虫请求的生命周期主要为以下五点：

构建爬虫请求
发送及调度请求
获取文档或数据
解析字段或清洗数据
数据处理或持久化

结合上面的步骤，我们先来谈下scrapy架构，如下图所示：

如上图，downloader负责请求获取页面，spiders中写具体解析字段的逻辑，item PipeLine数据最后处理，中间有一些中间件，可以定制化一些功能设置。比如，代理，请求频率等。

然后，我们谈下colly架构的特别，colly的逻辑更像是面向过程编程的， colly的逻辑就是按上面生命周期的顺序进行处理，只是在不同阶段，加上回调函数进行过滤的时候进行处理。架构图如下所示：

四、colly框架实战

go colly的网络爬虫还是很强大，下面我们通过代码来看一下这个功能的使用：

// Package main -----------------------------
// @author    : 逆向与爬虫的故事
// @time      : 2022/10/6 13:24
// -------------------------------------------
package main
import (
"fmt"
"github.com/gocolly/colly"
"github.com/gocolly/colly/debug"
"time"
)
func main() {
  mUrl := "http://www.ifeng.com/"
//colly的主体是Collector对象，管理网络通信和负责在作业运行时执行附加的回掉函数
c := colly.NewCollector(
// 开启DEBUG
    colly.Debugger(&debug.LogDebugger{}),
// 是否开启异步
    colly.Async(true),
    // 跨域设置
    colly.AllowedDomains("www.ifeng.com")，
// 允许重复抓取
    colly.AllowURLRevisit(),
    // url设置
    colly.URLFilters(
      regexp.MustCompile(".*"),
    ),
// 设置UA
    colly.UserAgent("Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"),
  )
c.Limit(&colly.LimitRule{
Parallelism: 5, // 并发设置
Delay:       time.Second * 3, // 下载延时
RandomDelay: time.Second * 5, // 随机延时
  })
    
    // 代理、连接数、上下文机制、超时等配置
c.WithTransport(&http.Transport{
Proxy: http.ProxyFromEnvironment,
DialContext: (&net.Dialer{
Timeout:   30 * time.Second,
KeepAlive: 30 * time.Second,
    }).DialContext,
MaxIdleConns:          100,
IdleConnTimeout:       90 * time.Second,
TLSHandshakeTimeout:   10 * time.Second,
ExpectContinueTimeout: 1 * time.Second,
  })
//发送请求之前的执行函数
c.OnRequest(func(r *colly.Request) {
    fmt.Println("这里是发送之前执行的函数")
  })
//发送请求错误被回调
c.OnError(func(_ *colly.Response, err error) {
    fmt.Print(err)
  })
//响应请求之后被回调
c.OnResponse(func(r *colly.Response) {
    fmt.Println("Response body length：", len(r.Body))
  })
//response之后会调用该函数，分析页面数据
c.OnHTML("p a", func(e *colly.HTMLElement) {
    fmt.Println(e.Text)
  })
//在OnHTML之后被调用
c.OnScraped(func(r *colly.Response) {
    fmt.Println("Finished", r.Request.URL)
  })
//这里是执行访问url
c.Visit(mUrl)
}

运行结果如下：

总结一下，回调函数的调用顺序如下：

OnRequest在发起请求前被调用
OnError请求过程中如果发生错误被调用
OnResponse收到回复后被调用
OnHTML在OnResponse之后被调用，如果收到的内容是HTML
OnScraped在OnHTML之后被调用

通过实战，观察打印日志，让我相信Go的并发性是真的强👍🏻

五、colly框架总结

colly回调函数共有如下7种，表格如下：

colly回调函数已经满足：

request事前处理回调
request请求错误回调
收到响应头处理回调
成功响应处理回调
HTML内容处理回调
爬虫结束处理回调

总结：通过查看回调函数及内置函数，colly除了不具备json序列化方法，其他功能都已经具备。同scrapy相比，colly也缺少一些丰富的扩展统计中间件功能，但是colly框架的并发性是真的强，也支持分布式抓取。colly让我相信，爬虫除了使用python，用go也是一个不错的选择，我也相信colly社区的开发者会让这个架构越来越牛逼！同时，我也希望在以后的日子里，能为colly社区贡献自己的一分绵薄之力⛽️

关注原公众号获得更多精彩内容

End

崔庆才的新书《Python3网络爬虫开发实战（第二版）》已经正式上市了！书中详细介绍了零基础用 Python 开发爬虫的各方面知识，同时相比第一版新增了 JavaScript 逆向、Android 逆向、异步爬虫、深度学习、Kubernetes 相关内容，同时本书已经获得 Python 之父 Guido 的推荐，目前本书正在七折促销中！

扫码购买

点个在看你最好看