• go语音之进阶篇爬百度贴吧单线程版本


    一、爬什么?

    1、明确目标 : 知道你准备在那个范围或者网站去搜索

    2、爬: 将所有的网站的内容全部爬下来

    3、取:去掉对我们没用处的数据

    4、处理数据:按照我们想要的方式存储或使用

    二、百度贴吧小爬虫

    需求:百度贴吧,每50页就翻页

    https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=0

    https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=50

    示例: 单线程版本

    package main
    
    import (
    	"fmt"
    	"net/http"
    	"os"
    	"strconv"
    )
    
    //爬取网页内容
    func HttpGet(url string) (result string, err error) {
    	resp, err1 := http.Get(url)
    	if err1 != nil {
    		err = err1
    		return
    	}
    
    	defer resp.Body.Close()
    
    	//读取网页body内容
    	buf := make([]byte, 1024*4)
    	for {
    		n, _ := resp.Body.Read(buf)
    		if n == 0 { //读取结束,或者,出问题
    			//fmt.Println("resp.Body.Read err = ", err)
    			break
    		}
    
    		result += string(buf[:n])
    	}
    
    	return
    }
    
    func DoWork(start, end int) {
    	fmt.Printf("正在爬取 %d 到 %d 的页面
    ", start, end)
    
    	//明确目标 (要知道你准备在哪个范围或者网站去搜索)
    	for i := start; i <= end; i++ {
    		url := "http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=" + strconv.Itoa((i-1)*50)
    		fmt.Println("url = ", url)
    
    		//2) 爬 (将所有的网站的内容全部爬下来)
    		result, err := HttpGet(url)
    		if err != nil {
    			fmt.Println("HttpGet err = ", err)
    			continue
    		}
    
    		//把内容写入到文件
    		fileName := strconv.Itoa(i) + ".html"
    		f, err1 := os.Create(fileName)
    		if err1 != nil {
    			fmt.Println("os.Create err1 = ", err1)
    			continue
    		}
    
    		f.WriteString(result) //写内容
    
    		f.Close() //关闭文件
    	}
    
    }
    
    func main() {
    	var start, end int
    	fmt.Printf("请输入起始页( >= 1) :")
    	fmt.Scan(&start)
    	fmt.Printf("请输入终止页( >= 起始页) :")
    	fmt.Scan(&end)
    
    	DoWork(start, end)
    }
    

    执行结果:

    请输入起始页( >= 1) :1   //输入起始页
    请输入终止页( >= 起始页) :10  //输入终止页
    正在爬取 1 到 10 的页面
    url =  http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=0
    url =  http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=50
    url =  http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=100
    url =  http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=150
    url =  http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=200
    url =  http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=250
    url =  http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=300
    url =  http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=350
    url =  http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=400
    url =  http://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=450
    

      

  • 相关阅读:
    Java并发编程(六)——Callable接口
    java基础——反射
    java基础——序列化
    java基础——IO
    java基础——File类
    操作nginx时遇到的各种问题
    linux安装nginx 简单版
    linux 重命名文件和文件夹
    Linux 程序安装目录 /opt 目录和 /usr/local 目录
    Linux 各种安装包
  • 原文地址:https://www.cnblogs.com/nulige/p/10323630.html
Copyright © 2020-2023  润新知