golang 爬虫（二）

通用的爬虫原理示意图：

具体实现过程：

1、开一个协程从待抓取url中获取url，进行网页获取，网页解析，然后入库；

2、开另一个协程从已抓取url中获取url，进行获取其他url并且放入待抓取url队列中；

网页解析

在golang中，解析网页有几个比较好用的第三方库。比如：github.com/opesun/goquery,github.com/PuerkitoBio/goquery等等。

github.com/PuerkitoBio/goquery功能强大，但在使用的时候，编译不过，当时比较懒就不用了。而使用github.com/opesun/goquery，该插件是在解析html节点时，使用jq类似的语法。下面介绍几个列子：

content,err:=goquery.ParseUrl(url)if err != nil{     panic(error)}

1、打印整个html：fmt.Println(content.Html())

2、获取class的内容：content.Find(".name").Text();

3、获取id的内容：content.Find("#name").Text();

4、当获取的内容中超过一条内容时：

sex:=content.Find("input[name='gender']:checked")for i:=0;i<sex.Length();i++{if sex.Eq(i).Attr("checked") != "checked"{continue;}if sex.Eq(i).Attr("value")=="0"{info.sex = "女"}if sex.Eq(i).Attr("value")=="1"{info.sex = "男"}}

获取其他待抓取网页

本次测试是爬知乎网的用户信息。

1、获取问题网址url；

2、获取对应问题网址的回答用户url;

需改进的地方

1、爬其他用户url的算法；

2、只有两个线程，分别为生产者和消费者。使用线程池。

3、控制生产者的速度与消费者的速度的算法。