Go 优雅的爬虫框架 - Colly

Colly 是一款用 Go 语言编写的优雅网络爬虫框架，速度快、灵活且易于使用

关键特性包括：

• 线程安全。
• 用户友好的 API。
• 支持 XHR（Ajax）和 WebSocket。
• 缓存和持久化。
• 支持速度限制和分布式爬取。
• 强大的可扩展性。

colly采集器配置

• AllowedDomains: 设置收集器使用的域白名单，设置后不在白名单内链接，报错:Forbidden domain。
• AllowURLRevisit: 设置收集器允许对同一 URL 进行多次下载。
• Async: 设置收集器为异步请求，需很Wait()配合使用。
• Debugger: 开启Debug,开启后会打印请求日志。
• MaxDepth: 设置爬取页面的深度。
• UserAgent: 设置收集器使用的用户代理。
• MaxBodySize : 以字节为单位设置检索到的响应正文的限制。
• IgnoreRobotsTxt: 忽略目标机器中的robots.txt声明。 

创建采集器:配置可以写在里面，也可以写在外面。

collector := colly.NewCollector(colly.AllowedDomains("www.baidu.com",".baidu.com"),//白名单域名colly.AllowURLRevisit(),//允许对同一 URL 进行多次下载colly.Async(true),//设置为异步请求colly.Debugger(&debug.LogDebugger{}),// 开启debugcolly.MaxDepth(2),//爬取页面深度,最多为两层colly.MaxBodySize(1024 * 1024),//响应正文最大字节数colly.UserAgent("Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) "),colly.IgnoreRobotsTxt(),//忽略目标机器中的`robots.txt`声明)

1、执行流程

 2、回调函数

colly附加各种不同类型的回调函数，来控制收集作业或获取信息

3、安装

go get -u github.com/gocolly/colly

4、案例

案例一：爬取网络页面标题 

package mainimport ("fmt""github.com/gocolly/colly")func main() {// 创建Collector实例c := colly.NewCollector()// 设置请求处理逻辑c.OnHTML("head > title", func(e *colly.HTMLElement) {fmt.Println("网页标题：", e.Text)})// 设置错误处理逻辑c.OnError(func(r *colly.Response, err error) {fmt.Println("请求错误:", err)})// 开始爬取c.Visit("http://www.baidu.com")}

案例二：爬取指定元素内容 

package mainimport ("fmt""github.com/gocolly/colly")func main() {// 创建Collector实例c := colly.NewCollector()// 设置请求处理逻辑,第一个参数是查询选择器，类似CSS选择器一样的语法c.OnHTML("body > p#wrapper > p#head > p#s-top-left > a", func(e *colly.HTMLElement) {// 打印出每个新闻标题链接的文本和它的 href 属性fmt.Println("栏目:", e.Text)fmt.Println("链接地址:", e.Attr("href"))})// 设置错误处理逻辑c.OnError(func(r *colly.Response, err error) {fmt.Println("请求错误:", err)})// 开始爬取c.Visit("http://www.baidu.com")}

案例三：爬取图片 

package mainimport ("fmt""github.com/gocolly/colly""github.com/google/uuid""io""net/http""os""path/filepath""strings")func init() {dirName := "img" // 要创建的文件夹名称// 使用filepath.Join可以更好地处理路径分隔符，使其跨平台dirPath := filepath.Join(".", dirName)// 判断目录是否存在if _, err := os.Stat(dirPath); os.IsNotExist(err) {// 如果不存在，则创建err = os.Mkdir(dirPath, 0755) // 0755 是权限位，表示所有者有读、写、执行权限，组用户和其他用户有读和执行权限if err != nil {fmt.Printf("创建目录失败: %v\n", err)return}fmt.Printf("目录 '%s' 创建成功。\n", dirPath)} else if err != nil {// 其他错误处理fmt.Printf("检查目录状态时发生错误: %v\n", err)return} else {// 目录已存在fmt.Printf("目录 '%s' 已存在，无需创建。\n", dirPath)}}func main() {//实例化默认收集器c := colly.NewCollector()// 在访问页面之前执行的回调函数c.OnRequest(func(r *colly.Request) {fmt.Println("OnRequest函数是在发起请求前被调用:", r.URL.String())})// 在访问页面之后执行的回调函数c.OnResponse(func(r *colly.Response) {fmt.Println("OnRespo