golang抓取网页并分析页面包含的链接方法
时间：2021-05-09 07:47:11|栏目：Golang|点击： 次
1. 下载非标准的包,"golang.org/x/net/html"
2. 先安装git，使用git命令下载
git clone https://github.com/golang/net
3. 将net包，放到GOROOT路径下
比如：
我的是：GOROOT = E:\go\
所以最终目录是：E:\go\src\golang.org\x\net
注意：如果没有golang.org和x文件夹，就创建
4. 创建fetch目录，在其下创建main.go文件，main.go文件代码内容如下：
package main
import (
"os"
"net/http"
"fmt"
"io/ioutil"
)
func main() {
for _, url := range os.Args[1:] {
resp, err := http.Get(url)
if err != nil {
fmt.Fprintf(os.Stderr, "fetch: %v\n", err)
}
b, err := ioutil.ReadAll(resp.Body)
resp.Body.Close()
if err != nil {
fmt.Fprintf(os.Stderr, "fetch: reading %s: %v\n", url, err)
os.Exit(1)
}
fmt.Printf("%s",b)
}
}
5. 编译fetch
go build test.com\justin\demo\fetch
注意：test.com\justin\demo\ 是我的项目路径，具体编译根据自己项目路径编译。
6. 执行fetch.exe 文件
fetch.exe https://www.qq.com
注意：https://www.qq.com是要爬的网址，配置正确的话，会打印出网址的HTML内容。如果没有，请检查以上步骤是否正确。
7. 网页已经抓取了，那么剩下就分析页面包含的链接了，创建findlinks目录，在其下创建main.go文件，main.go文件代码内容如下：
package main
import (
"os"
"fmt"
"golang.org/x/net/html"
)
func main() {
doc, err := html.Parse(os.Stdin)
if err != nil {
fmt.Fprint(os.Stderr, "findlinks: %v\n", err)
os.Exit(1)
}
for _, link := range visit(nil, doc) {
fmt.Println(link)
}
}
func visit(links []string, n *html.Node) []string {
if n.Type == html.ElementNode && n.Data == "a" {
for _, a := range n.Attr {
if a.Key == "href" {
links = append(links, a.Val)
}
}
}
for c := n.FirstChild; c != nil; c = c.NextSibling {
links = visit(links, c)
}
return links
}
8. 编译findlinks
go build test.com\justin\demo\findlinks
注意：test.com\justin\demo\ 是我的项目路径，具体编译根据自己项目路径编译。
9. 执行findlinks.exe 文件
fetch.exe https://www.qq.com | findlinks.exe
> 10. 执行后结果：获取到各种不同形式的超链接
