用Golang写爬虫(四)

Python爬虫工程师有个经常使用的提取数据的库BeautifulSoup，而在Golang语言也有一个对应的库soup，因为我比较喜欢Python写爬虫因此天然而然的就想到了soup，这篇文章就是就来体验一下它。html

安装soup

soup是第三方库，须要手动安装：git

❯ go get github.com/anaskhan96/soup
复制代码

使用soup

就如以前的练习，咱们是要定义头信息的，可是soup这个库只开放了Get方法接收url参数。不过其余soup也是能够定义Header和Cookie的，能够改为这样：github

import (
    "fmt"
    "log"
    "strconv"
    "strings"
    "time"

    "github.com/anaskhan96/soup"
)

func fetch(url string) soup.Root {
    fmt.Println("Fetch Url", url)
    soup.Headers = map[string]string{
        "User-Agent": "Mozilla/5.0 (compatible; Googlebot/2.1; +http://www.google.com/bot.html)",
    }

    source, err := soup.Get(url)
    if err != nil {
        log.Fatal(err)
    }
    doc := soup.HTMLParse(source)
    return doc
}
复制代码

net/httpsoup.Get(url)soup.HTMLParse

而后再看看豆瓣电影Top250单个条目的部分相关的HTML代码：bash

<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>
复制代码

仍是原来的需求：得到条目ID和标题。此次须要把parseUrls的逻辑改为使用soup的版本：fetch

func parseUrls(url string, ch chan bool) {
	doc := fetch(url)
	for _, root := range doc.Find("ol", "class", "grid_view").FindAll("div", "class", "hd") {
		movieUrl, _ := root.Find("a").Attrs()["href"]
		title := root.Find("span", "class", "title").Text()
		fmt.Println(strings.Split(movieUrl, "/")[4], title)
	}
	time.Sleep(2 * time.Second)
	ch <- true
}
复制代码

能够感觉到和goquery都用了Find这个方法名字，可是参数形式不同，须要传递三个：「标签名」、「类型」、「具体值」。若是有多个可使用FindAll(Find是找第一个)。若是想要找属性的值须要用Attrs方法，从map里面得到。google

for range

后记

经过这个爬虫算是基本了解了这个库，我以为整体上soup是足够用的spa

代码地址

完整代码能够在这个地址找到。code