golang 制作通用爬虫框架

golang 制作通用爬虫框架

一、背景

​ 自己之前是一个iOS的小工，后来又去后台搬砖。

​ 一直准备做一个iOS优质文章的聚合，每天定向爬取大V们的博客。所以就萌生了尝试打造一个通用爬虫框架的想法。加上近期开始golang的学习，所以选择使用 go 来写。

​ 各章内容总结的比较粗糙，有什么问题，欢迎交流，欢迎各位大佬来喷。

• 传送门： julyT

• 介绍： 详细描述

1.1 初识

​ 我给它起名叫JulyT，目前0.1版本支持Xpath数据解析，批量任务并发。简单的规则编写。就可以完成定向数据的提取.

例如：实现抓取列表，再抓取列表页详情数据，接着翻页继续

func rule(node *Xpath.Node,spider *JulySpider.Spider)  {
	path := Xpath.MustCompile("//*[@id=\"archive-page\"]/section")
	it := path.Iter(node)

	for it.Next() {
			urlPath := Xpath.MustCompile("a/@href")
			url,_:= urlPath.String(it.Node())
        	//
			spider.RunNextStep("http://lastdays.cn"+url,analysisData)
			}
	fmt.Println("================一页数据==================")
	nextPath := Xpath.MustCompile("//*[@id=\"page-nav\"]/a[@class=\"extend next\"]/@href")
	if nextPath.Exists(node) {
		url,_ := nextPath.String(node)
		spider.RunNextStep("http://lastdays.cn"+url,rule)
	}
}

1.2 组件简介

1.2.1 任务池

​ 为每一个爬虫实例提供独立的运行空间。自动调度，自动回收空闲任务节点，任务节点复用。提供最底层的任务环境

1.2.2 调度器

​ 管理所有请求，实现请求优先级调度。过滤重复请求。

1.2.3 下载器

​ 提供高并发的HTML下载。

1.2.4 引擎

​ 处理数据流，控制各个模块之间的调度。监控所有请求流程

1.2.5 spider

​ 爬虫实例，支持规则自定义。

1.3 结构图

1.4 总结

​ 有很多优秀的开源的爬虫框架。自己造这个轮子的目的也是希望得到一些锻炼，JulyT还有很多需要修正改进的地方，我会持续更新这个玩具。目前还缺少一个输出组件，自定义输出规则。会在0.2版本中体现出来。欢迎大家来喷。