marmot土拨鼠Golang爬虫包|Web Crawler Package
项目代号:土拨鼠
万维网网络机器人,又称蜘蛛,爬虫,原理主要是通过构造符合HTTP协议的网络数据包,向指定主机请求资源,获取返回的数据.万维网有大量的公开信息,人力采集数据费时费力,故激发了爬虫的产业化. 批量获取公开网络数据并不违反,但由于无差别性,无节制,十分暴力的手段会导致对方服务的不稳定,因此,大部分资源提供商对数据包进行了某些过滤,在此背景下,小批量数据获取成为了难题. 综合各种需求,如各种API对接,自动化测试等原理均一样,故开发了此爬虫库.
土拨鼠爬虫库是一个人类友好姿势的代码库,开发采用面向对象的方式,易于理解.通过对Golang原生HTTP库的封装,帮用户处理了一些琐碎逻辑(如收集信息,检测参数),并加入了一些容错机制(如加锁,及时关闭流),保证了爬虫高并发的安全. 此库提供了大量优美的API接口,复用率高,十分方便地支持Cookie接力,爬虫代理设置,以及一般的HTTP请求设置如头部设置,超时,暂停设置,数据设置等,支持全部的HTTP方法如POST/PUT/GET/DELETE等,内置爬虫池和浏览器UA池,易于开发多UA多Cookie分布式爬虫. 此外,还提供第三方存储库,支持mysql/postgresql/redis/cassandra/hbase等.该库简单实用,短短几行代码即可取代以往杂乱无章的面包条代码片段,已经应用在某些大项目中:如大型亚马逊分布式爬虫(美国/日本/德国/英国),经受住两千代理IP超长时间高并发的考验,单台机器每天获取上百万数据.
该库主要用途: 微信开发/API对接/自动化测试/抢票脚本/网站监控/点赞插件/数据爬取
如何使用:
1.获取库.
go get -v github.com/hunterhug/marmot/miner
2.简单使用.
package main // 示例 import ( "fmt" "github.com/hunterhug/marmot/miner" ) func main() { // 1.新建一个矿工 worker, _ := miner.New(nil) // 2.设置网址 worker.SetUrl("http://www.cjhug.me").SetUa(worker.RandomUa()).SetMethod(worker.GET) // 3.抓取网址 html, err := worker.Go() if err != nil { fmt.Println(err.Error()) } // 4.打印内容,等同于fmt.Println(worker.ToString()) fmt.Println(string(html)) }
3.具体使用如下.
使用特别简单,先`New`一个`Worker`, 即土拨鼠矿工, 然后`SetUrl`,适当加头部,最后`worker.Go()`即可。 ### 第一步 矿工有三种类型: 1. `worker, err := miner.NewWorker("http://smart:smart2016@104.128.121.46:808") ` // 代理IP矿工 默认自动化Cookie接力 格式:`协议://代理帐号(可选):代理密码(可选)@ip:port`, 支持http(s),socks5, 别名函数`New()` 2. `worker, err := miner.NewWorker(nil)` // 正常矿工 默认自动化Cookie接力 别名函数`New()` 3. `worker, err := miner.NewAPI()` // API矿工 默认Cookie不接力 ### 第二步 模拟矿工设置头部: 1. `worker.SetUrl("http://www.cjhug.me")` // 设置Http请求要抓取的网址,必须 2. `worker.SetMethod(miner.GET)` // 设置Http请求的方法:`POST/GET/PUT/POSTJSON`等 3. `worker.SetWaitTime(2)` // 设置Http请求超时时间 4. `worker.SetUa(miner.RandomUa())` // 设置Http请求浏览器标志,本项目提供445个浏览器标志,可选设置 5. `worker.SetRefer("http://www.baidu.com")` // 设置Http请求Refer头 6. `worker.SetHeaderParm("diyheader", "lenggirl")` // 设置Http请求自定义头部 7. `worker.SetBData([]byte("file data"))` // Http请求需要上传数据 8. `worker.SetFormParm("username","jinhan")` // Http请求需要提交表单 9. `worker.SetCookie("xx=dddd")` // Http请求设置cookie, 某些网站需要登录后F12复制cookie ### 第三步 矿工启动方式有: 1. `body, err := worker.Go()` // 如果设置SetMethod(),采用下方对应的方法,否则Get() 2. `body, err := worker.Get()` // 默认 3. `body, err := worker.Post()` // POST表单请求,数据在SetFormParm() 4. `body, err := worker.PostJSON()` // 提交JSON请求,数据在SetBData() 5. `body, err := worker.PostXML()` // 提交XML请求,数据在SetBData() 6. `body, err := worker.PostFILE()` // 提交文件上传请求,数据在SetBData() 7. `body, err := worker.Delete()` 8. `body, err := worker.Put()` 9. `body, err := worker.PutJSON()` 10. `body, err := worker.PutXML()` 11. `body, err := worker.PutFILE()` 12. `body, err := worker.OtherGo("OPTIONS", "application/x-www-form-urlencoded")` // 其他自定义的HTTP方法 ### 第四步 爬取到的数据: 1. `fmt.Println(string(html))` // 每次抓取后会返回二进制数据 2. `fmt.Println(worker.ToString())` // http响应后二进制数据也会保存在矿工对象的Raw字段中,使用ToString可取出来 3. `fmt.Println(worker.JsonToString())` // 如果获取到的是JSON数据,请采用此方法转义回来,不然会乱码 注意:每次抓取网站后,下次请求你可以覆盖原先的头部,但是没覆盖的头部还是上次的,所以清除头部或请求数据,请使用`Clear()`(只清除Post数据)或者`ClearAll()`(还清除http头部)
更多细节请到代码仓库...
评论