goquery的安装以及使用
安装
goquery安装失败是缺少net依赖包。
获取 golang.org/x/net 包，其实只需要以下步骤：
mkdir -p $GOPATH/src/golang.org/x
cd $GOPATH/src/golang.org/x
git clone https://github.com/golang/net.git
最后执行
go get github.com/PuerkitoBio/goquery
导入
import "github.com/PuerkitoBio/goquery"
加载页面
// 请求html页面
res, err := http.Get("http://metalsucks.net")
if err != nil {
// 错误处理
log.Fatal(err)
}
defer res.Body.Close()
if res.StatusCode != 200 {
log.Fatalf("status code error: %d %s", res.StatusCode, res.Status)
}
获得document对象
有多种获得document对象的方法
// 加载 HTML document对象
doc, err := goquery.NewDocumentFromReader(res.Body)
if err != nil {
log.Fatal(err)
}
doc,err := goquery.NewDocumentFromReader(reader io.Reader)
doc,err := goquery.NewDocument(url string)
doc,err := goquery.NewDocument(strings.NewReader("<p>这里是内容</p>"))
选择元素
1.元素选择器
基于HTML Element 元素的选择器
就是基于a,p等这些HTML的基本元素进行选择。
使用方法：
使用语法为dom.Find(“p”)，匹配文档中所有的p标签。
ele.Find("h2").Find("a") //链式调用
选择器进阶
- 属性选择器
一个HTML元素都有自己的属性以及属性值，所以我们也可以通过属性和值筛选元素。
使用方法 ：我们可以通过元素的属性和属性值来筛选数据，使用语法为dom.Find("p[class=content1]，匹配文档中所有的 p标签的class属性是content1的元素。
当然我们这里以class属性为例，还可以用其他属性，比如href等很多，自定义属性也是可以的。
刚刚我们使用的是完全相等的匹配方式，属性选择器还要很多匹配方式。
Find("div[my]") //筛选含有my属性的div元素
Find("div[my=zh]") //筛选my属性为zh的div元素
Find("div[my!=zh]") //筛选my属性不等于zh的div元素
Find("div[my¦=zh]") //筛选my属性为zh或者zh-开头的div元素
Find("div[my*=zh]") //筛选my属性包含zh这个字符串的div元素
Find("div[my~=zh]") //筛选my属性包含zh这个单词的div元素，单词以空格分开的
Find("div[my$=zh]") //筛选my属性以zh结尾的div元素，区分大小写
Find("div[my^=zh]") //筛选my属性以zh开头的div元素，区分大小写
- parent > child选择器
如果要筛选出某个元素下的子元素，则使用>符号连接，
使用语法dom.Find("div>p")， 筛选div标签下的p标签 - element + next 相邻选择器
如果要筛选的元素没有规律，但是该元素的上一个元素有规律，我们就可以使用这种下一个相邻选择器来进行选择。
如：
<div>
<p my="a">a</p>
<p>b</p>
<p>c</p>
<div>
我想筛选出b所在的标签
使用方法：dom.Find("p[my=a]+p")筛选出p标签属性my的值为a的相邻p标签。
- element~next 兄弟选择器
如果我们需要筛选同一父元素下，不相邻的标签，可以使用兄弟选择器
比如想筛选出b和c所在标签
使用语法dom.Find("p[my=a]~p")，筛选出p标签属性my的值为a的兄弟p标签。
2.ID 选择器
ID选择器是我们使用最频繁的，假如我们有2个p元素，其实我们只需要其中的一个，那么我们只需要给这个标记一个唯一的id即可，这样我们就可以使用id选择器，精确定位了。
使用方法：id选择器以#开头，紧跟着元素id的值，
使用语法为dom.Find("#title") ，匹配文档中所有的id=title的内容
如果多个标签的ID都是title，我们可以指定某一个标签,如dom.Find(“p#title”)
ele.Find("#title") //根据id查找
3.Class选择器
类选择跟ID选择器一样都是使用很频繁的，我们可以通过类选择器快速筛选到需要的内容。
使用方法：id选择器以.开头，紧跟着元素class的值，
使用语法为dom.Find(".content1")，匹配文档中所有的id=title的元素。
类选择权器跟ID选择器一样,也可以指定某一个标签dom.Find(“div.content1”)
ele.Find(".title") //根据class查找
4.属性选择器
一个HTML元素都有自己的属性以及属性值，所以我们也可以通过属性和值筛选元素。
使用方法：我们可以通过元素的属性和属性值来筛选数据，
使用语法为dom.Find("p[class=content1]，匹配文档中所有的p标 签的class属性是content1的元素。
当然我们这里以class属性为例，还可以用其他属性，比如href等很多，自定义属性也是可以的。
ele.Attr("href")
ele.AttrOr("href", "")
5.选择器或(|)运算
如果我们想同时筛选出div,span等元素怎么办？这时候可以采用多个选择器进行组合使用，并且以逗号(,)分割，Find("selector1, selector2, selectorN")表示，只要满足其中一个选择器就可以被筛选出来，也就是选择器的或(|)运算操作。
func main() {
html := `<body>
<div lang="zh">DIV1</div>
<span>
<div>DIV5</div>
</span>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div,span").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Html())
})
}
6.过滤器
有时候我们选择出来的结果，并不是我们心目中的最优结果，我们希望对其进行过滤。
- :contains过滤器
筛选出的元素要包含指定的文本，比如我想筛选出包含a的p标签
使用方法：dom.Find("p:contains(a)")，筛选出内容包含a的p标签
Find(":has(selector)")和contains差不多，只不过这个是包含的是元素节点。
此外还有Find(":empty")表示筛选出的元素都不能有子元素（包括文本元素），只筛选那些不包含任何子元素的元素。
dom.Find("div:contains(DIV2)").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
- :first-child过滤器 和:first-of-type过滤器
筛选出的元素要是他们的父元素的第一个子元素，如果不是，则不会被筛选出来。
使用方法：语法为Find("p:first-child")，筛选出第一个p标签。
func main() {
html := `<body>
<div lang="zh">DIV1</div>
<p>P1</p>
<div lang="zh-cn">DIV2</div>
<div lang="en">DIV3</div>
<span>
<div style="display:none;">DIV4</div>
<div>DIV5</div>
</span>
<p>P2</p>
<div></div>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div:first-child").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Html())
})
}
:first-child选择器限制的比较死，必须得是第一个子元素，如果该元素前有其他在前面，就不能用:first-child了，这时候:first-of-type就派上用场了，它要求只要是这个类型的第一个就可以。
func main() {
html := `<body>
<div lang="zh">DIV1</div>
<p>P1</p>
<div lang="zh-cn">DIV2</div>
<div lang="en">DIV3</div>
<span>
<p>P2</p>
<div>DIV5</div>
</span>
<div></div>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div:first-of-type").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Html())
})
}
- :last-child 和:last-of-type过滤器
这两个正好和上面的:first-child、:first-of-type相反 - :nth-child(n) 过滤器
筛选出的元素是其父元素的第n个元素，n以1开始。所以我们可以知道:first-child和:nth-child(1)是相等的。通过指定n，我们就很灵活的筛选出我们需要的元素。
func main() {
html := `<body>
<div lang="zh">DIV1</div>
<p>P1</p>
<div lang="zh-cn">DIV2</div>
<div lang="en">DIV3</div>
<span>
<p>P2</p>
<div>DIV5</div>
</span>
<div></div>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div:nth-child(3)").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Html())
})
}
- :nth-of-type(n) 过滤器
:nth-of-type(n)和:nth-child(n)类似，只不过它表示的是同类型元素的第n个,所以:nth-of-type(1)和:first-of-type是相等的。 - :nth-last-child(n) 和:nth-last-of-type(n) 过滤器
这两个和上面的类似，只不过是倒序开始计算的，最后一个元素被当成了第一个 - :only-child 过滤器 和 :only-of-type 过滤器
筛选出父元素中，只有它自己的一个的元素。
Find(":only-child")过滤器，从字面上看，可以猜测出来，它表示筛选的元素，在其父元素中，只有它自己，它的父元素没有其他子元素，才会被匹配筛选出来。
unc main() {
html := `<body>
<div lang="zh">DIV1</div>
<span>
<div>DIV5</div>
</span>
</body>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("div:only-child").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Html())
})
}
示例中DIV5就可以被筛选出来，因为它是它的父元素span达到唯一子元素，但DIV1就不是，所以不能呗筛选出来。
上面的例子，如果想筛选出DIV1怎么办？可以使用Find(":only-of-type"),因为它是它的父元素中，唯一的div元素，这就是:only-of-type过滤器所要做的，同类型元素只要只有一个，就可以被筛选出来。大家把上面的例子改成:only-of-type试试，看看是否有DIV1。
7.获取内容
可获得元素所包含的内容
使用方法：
ele.Html()
ele.Text()
8.遍历
选择器选中的元素可能是多个，如何针对这些元素逐一进行操作呢？这就需要用到遍历。
使用方法：利用Each方法返回两个参数，索引号及当前元素。
使用语法为ele.Find(".item").Each(func(index int, elA *goquery.Selection)匹配元素中class属性是item的元素并进行遍历
ele.Find(".item").Each(func(index int, elA *goquery.Selection){
// 再获得每个元素elA的href属性的值
href, _ := elA.Attr("href")
fmt.Println(href)
})
内置函数
1） array.go : 类似数组的定位函数
Eq(index int) *Selection //根据索引获取某个节点集
First() *Selection //获取第一个子节点集
Get(index int) *html.Node //根据索引获取一个节点
Index...() int //返回选择对象中第一个元素的位置
Last() *Selection //获取最后一个子节点集
Slice(start, end int) *Selection //根据起始位置获取子节点集
2）expand.go : 扩展函数
Add...()
AndSelf()
Union() // AddSelection()的别名
3）filter.go : 过滤函数, 用于减少选择范围
End()
Filter...()
Has...()
Intersection() //FilterSelection()的别名
Not...()
4）iteration.go : 循环遍历选择节点的函数
Each(f func(int, *Selection)) *Selection //遍历
EachWithBreak(f func(int, *Selection) bool) *Selection //可中断遍历
Map(f func(int, *Selection) string) (result []string) //返回字符串数组
5）manipulation.go : 修改文档的函数
After...()
Append...()
Before...()
Clone()
Empty()
Prepend...()
Remove...()
ReplaceWith...()
Unwrap()
Wrap...()
WrapAll...()
WrapInner...()
6）property.go :检测或获取节点属性值的函数
Attr*(), RemoveAttr(), SetAttr() //获取，移除，设置属性的值
AttrOr(e string,d string) //获取对应的标签属性。这个可以设置第二个参数。获取的默认值，如果获取不到默认调用对应默认值
AddClass(), HasClass(), RemoveClass(), ToggleClass()
Html() //获取该节点的html
Length() //返回该Selection的元素个数
Size() //Length()的别名
Text() //获取该节点的文本值
7）query.go : 节点查找的函数
Contains() //获取当前节点下的所有节点
Is...()
8）traversal.go : 遍历HTML文档树的函数
在文档树之间来回跳转（常用的查找节点方法）
Children...() //返回selection中各个节点下的孩子节点
Contents() //获取当前节点下的所有节点
Find...() //查找获取当前匹配的元素
Next...() *Selection //获取下一个兄弟节点集，下一个元素
NextAll() *Selection //获取后面所有兄弟节点集
Parent[s]...()
Prev...() *Selection //前一个兄弟节点集，上一个元素
Siblings...()
9）type.go : goQuery定义的类型
Document
Selection
Matcher
10）utilities.go : 辅助函数的定义（而不是* Selection上的方法），jQuery没有该部分，但对goquery很有用
NodeName
OuterHtml
例子
入门例子
func main() {
html := `<html>
<body>
<h1 id="title">春晓</h1>
<p class="content1">
春眠不觉晓，
处处闻啼鸟。
夜来风雨声，
花落知多少。
</p>
</body>
</html>
`
dom,err:=goquery.NewDocumentFromReader(strings.NewReader(html))
if err!=nil{
log.Fatalln(err)
}
dom.Find("p").Each(func(i int, selection *goquery.Selection) {
fmt.Println(selection.Text())
})
}
//得到结果：
//春眠不觉晓，
//处处闻啼鸟。
//夜来风雨声，
//花落知多少。
一个最基本的实例
package main
import (
"fmt"
"log"
"github.com/PuerkitoBio/goquery"
)
func ExampleScrape() {
doc, err := goquery.NewDocument("http://studygolang.com/topics")
if err != nil {
log.Fatal(err)
}
/*
dhead := doc.Find("head")
dTitle := dhead.Find("title")
fmt.Printf("title text:%s
", dTitle.Text())
html, _ := dTitle.Html()
fmt.Printf("title html:%s
", html)
metaArr := dhead.Find("meta")
for i := 0; i < metaArr.Length(); i++ {
d, _ := metaArr.Eq(i).Attr("name")
fmt.Println(d)
}
*/
doc.Find("div.wrapper .container .col-lg-9").Each(func(i int, cs *goquery.Selection) {
d, _ := cs.Attr("class")
fmt.Println(d)
})
}
func main() {
ExampleScrape()
return
doc, err := goquery.NewDocument("http://studygolang.com/topics")
if err != nil {
log.Fatal(err)
}
fmt.Println(doc.Html()) //.Html()得到html内容
pTitle := doc.Find("title").Text() //直接提取title的内容
class := doc.Find("h2").Text()
fmt.Printf("class:%v
", class)
fmt.Printf("title:%v
", pTitle)
doc.Find(".topics .topic").Each(func(i int, contentSelection *goquery.Selection) {
title := contentSelection.Find(".title a").Text()
t := contentSelection.Find(".title a")
log.Printf("the length;%d", t.Length())
log.Println("第", i+1, "个帖子的标题：", title)
})
/*
t := doc.Find(".topics .topic")
log.Printf("%+v", t)
t = doc.Find(".topics")
log.Printf("%+v", t)
t = doc.Find(".topic")
log.Printf("%+v", t)
t = doc.Find("div.topic")
log.Printf("div.topic:%+v", t)
*/
t := doc.Find("div.topic").Find(".title a")
log.Printf("div.topic.title a:%+v", t)
for i := 0; i < t.Length(); i++ {
d, _ := t.Eq(i).Attr("href")
title, _ := t.Eq(i).Attr("title")
fmt.Println(d)
fmt.Println(title)
}
// 输出：
// col-lg-9 col-md-8 col-sm-7
爬取一个电影网站中电影的信息：
网页地址为：http://www.haokongbu.com/dongzuopian/144016.html
c := colly.NewCollector()
c.UserAgent = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/58.0.3029.110 Safari/537.36 Edge/16.16299"
///On every a element which has href attribute call callback
c.OnHTML("body", func(e *colly.HTMLElement) {
dom := e.DOM
//电影海报
poster, _ := dom.Find(".poster").Find("img").Attr("src")
intro := dom.Find(".intro")
//电影名称
movieName := intro.Find("h2").Text()
lis := intro.Find("ul").Find("li")
//电影豆瓣评分
score := lis.Eq(0).Find("font").Text()
//时长
length := lis.Eq(1).Find("span").Text()
//导演
doctor := lis.Eq(2).Find("span").Text()
//年代
time := lis.Eq(3).Find("span").Text()
//地区
country := lis.Eq(4).Find("span").Text()
//类型
category := lis.Eq(5).Find("span").Text()
//语言
language := lis.Eq(6).Find("span").Text()
//编剧
scriptwriter := lis.Eq(7).Find("span").Text()
//影片别名
alias := lis.Eq(8).Find("span").Text()
//上映时间
releaseDate := lis.Eq(10).Find("span").Text()
//主演
actors := lis.Eq(11).Find("span").Text()
//关键字
keyword := lis.Eq(12).Find("span").Text()
baiduyunaddres := dom.Find(".baiduyunaddres").Eq(0)
//下载地址
downloadInfos := make([]DownLoadInfo, 0)
//在线播放地址
onlinePlayUrls := make([]OnlinePlayUrl, 0)
baiduyunaddres.Find("ul").Find("li").Each(func(i int, selection *goquery.Selection) {
way := selection.Find("span").Text()
href, _ := selection.Find("a").Attr("href")
title := selection.Find("a").Text()
if way == "在线" {
if href != "" {
playUrl := "https://www.haokongbu.com" + href
movieUrl := GetPlayUrl(playUrl)
onlinePlayUrls = append(onlinePlayUrls, OnlinePlayUrl{Title: title, MovieUrl: movieUrl})
}
//fmt.Println(playUrl)
} else {
downloadInfos = append(downloadInfos, DownLoadInfo{Way: way, Title: title, Href: href})
}
})
//电影简介
introduction, _ := dom.Find(".movietext").Find(".introduction").Html()
})
c.Visit("http://www.haokongbu.com/dongzuopian/144016.html")