go爬虫框架-colly实战(二)--豆瓣top250爬取

原文连接:Hzy 博客

1.今天就尝试用colly来爬取豆瓣Top 250！(大家都喜欢拿他来练手..)

直接上代码了，上面有注释。

package main

import (
    "fmt"
    "github.com/PuerkitoBio/goquery"
    "github.com/gocolly/colly"
    "github.com/gocolly/colly/extensions"
    "regexp"
    "strings"
    "time"
)

func main() {
    t := time.Now()
    number := 1
    c := colly.NewCollector(func(c *colly.Collector) {
        extensions.RandomUserAgent(c) // 设置随机头
        c.Async=true
    },
        //过滤url,去除不是https://movie.douban.com/top250?start=0&filter= 的url
        colly.URLFilters(
            regexp.MustCompile("^(https://movie\\.douban\\.com/top250)\\?start=[0-9].*&filter="),
        ),
    ) // 创建收集器
    // 响应的格式为HTML,提取页面中的链接
    c.OnHTML("a[href]", func(e *colly.HTMLElement) {
        link := e.Attr("href")
        //fmt.Printf("find link: %s\n", e.Request.AbsoluteURL(link))
        c.Visit(e.Request.AbsoluteURL(link))
    })
    // 获取电影信息
    c.OnHTML("div.info", func(e *colly.HTMLElement) {
        e.DOM.Each(func(i int, selection *goquery.Selection) {
            movies := selection.Find("span.title").First().Text()
            director := strings.Join(strings.Fields(selection.Find("div.bd p").First().Text()), " ")
            quote := selection.Find("p.quote span.inq").Text()
            fmt.Printf("%d --> %s:%s %s\n", number, movies, director, quote)
            number += 1
        })
    })
    c.OnError(func(response *colly.Response, err error) {
        fmt.Println(err)
    })
    c.Visit("https://movie.douban.com/top250?start=0&filter=")
    c.Wait()
    fmt.Printf("花费时间:%s",time.Since(t))
}

colly-top250.png

感觉用这个框架还是挺方便的，明天在来试试爬取一些需要登录的网站！