GoLang - colly爬虫框架

大家好，我是TheWeiJun。很高兴又和大家见面了，国庆假期马上就要结束了，在国庆假期里小编看了下colly框架，故这篇文章中将提到colly的使用及分析；欢迎各位读者多多阅读与交流！

特别声明：本公众号文章只作为学术研究，不作为其它不法用途；如有侵权请联系作者删除。

 目录

一、colly框架简介

二、colly特性说明

三、爬虫架构对比

四、colly框架实战

五、colly总结说明

一、colly框架简介

前言：colly 是 Go 实现的比较有名的一款爬虫框架，而且 Go 在高并发和分布式场景的优势也正是爬虫技术所需要的。它的主要特点是轻量、快速，设计非常优雅，并且分布式的支持也非常简单，易于扩展。

github地址: github.com/gocolly/colly

colly官网地址：http://go-colly.org/

从上图中，我们可以看出colly在github社区有着超高的人气，到目前为止已经有17862个赞了。同Python爬虫框架Scrapy一样，属于不同语言中的超人气框架！

二、colly特性说明

       谈起爬虫框架，我觉得大家听过最多的就是requests库、Scrapy这类型的Python框架吧。如果再细分，Scrapy框架应该是功能最多也最好用的框架之一吧，优点这里就省略了，今天我们引出一个新的框架colly，先来介绍一下他的特性吧：

• 干净的API

• 快速(单核>1k请求/秒)

• 管理每个域的请求延迟和最大并发性

• 自动cookie和会话处理

• 同步/异步并行抓取

• 分布式抓取

• 缓存

• 非unicode响应的自动编码

• robots. txt的支持

• 抓取深度控制

• 设置跨域开关

• 谷歌应用程序引擎支持

总结：如果不是认真观察，我都感觉colly是scrapy的孪生兄弟呢，很多功能都极其的相似，接下来就让我们看看这个框架牛逼的地方吧，为啥会有这么多的star呢？

三、爬虫架构对比

了解爬虫的都知道一个爬虫请求的生命周期主要为以下五点：

• 构建爬虫请求

• 发送及调度请求

• 获取文档或数据

• 解析字段或清洗数据

• 数据处理或持久化

结合上面的步骤，我们先来谈下scrapy架构，如下图所示：

如上图，downloader负责请求获取页面，spiders中写具体解析字段的逻辑，item PipeLine数据最后处理， 中间有一些中间件，可以定制化一些功能设置。比如，代理，请求频率等。

然后，我们谈下colly架构的特别，colly的逻辑更像是面向过程编程的， colly的逻辑就是按上面生命周期的顺序进行处理， 只是在不同阶段，加上回调函数进行过滤的时候进行处理。架构图如下所示：

四、colly框架实战

go colly的网络爬虫还是很强大，下面我们通过代码来看一下这个功能的使用：

// Package main -----------------------------
// @author    : 逆向与爬虫的故事// @time      : 2022/10/6 13:24// -------------------------------------------package mainimport ("fmt""github.com/gocolly/colly""github.com/gocolly/colly/debug""time")func main() {  mUrl := "http://www.ifeng.com/"//colly的主体是Collector对象，管理网络通信和负责在作业运行时执行附加的回掉函数c := colly.NewCollector(// 开启DEBUG    colly.Debugger(&debug.LogDebugger{}),// 是否开启异步    colly.Async(true),    // 跨域设置    colly.AllowedDomains("www.ifeng.com")，// 允许重复抓取    colly.AllowURLRevisit(),    // url设置    colly.URLFilters(      regexp.MustCompile(".*"),    ),// 设置UA    colly.UserAgent("Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/80.0.3987.163 Safari/537.36"),  )c.Limit(&colly.LimitRule{Parallelism: 5, // 并发设置Delay:       time.Second * 3, // 下载延时RandomDelay: time.Second * 5, // 随机延时  })        // 代理、连接数、上下文机制、超时等配置c.WithTransport(&http.Transport{Proxy: http.ProxyFromEnvironment,DialContext: (&net.Dialer{Timeout:   30 * time.Second,KeepAlive: 30 * time.Second,    }).DialContext,MaxIdleConns:          100,IdleConnTimeout:       90 * time.Second,TLSHandshakeTimeout:   10 * time.Second,ExpectContinueTimeout: 1 * time.Second,  })//发送请求之前的执行函数c.OnRequest(func(r *colly.Request) {    fmt.Println("这里是发送之前执行的函数")  })//发送请求错误被回调c.OnError(func(_ *colly.Response, err error) {    fmt.Print(err)  })//响应请求之后被回调c.OnResponse(func(r *colly.Response) {    fmt.Println("Response body length：", len(r.Body))  })//response之后会调用该函数，分析页面数据c.OnHTML("p a", func(e *colly.HTMLElement) {    fmt.Println(e.Text)  })//在OnHTML之后被调用c.OnScraped(func(r *colly.Response) {    fmt.Println("Finished", r.Request.URL)  })//这里是执行访问urlc.Visit(mUrl)}

运行结果如下：

总结一下，回调函数的调用顺序如下：

1. OnRequest在发起请求前被调用

2. OnError请求过程中如果发生错误被调用

3. OnResponse收到回复后被调用

4. OnHTML在OnResponse之后被调用，如果收到的内容是HTML

5. OnScraped在OnHTML之后被调用

通过实战，观察打印日志，让我相信Go的并发性是真的强