golang如何實現(xiàn)抓取IP地址的蜘蛛程序詳解
背景
要做IP地址歸屬地查詢,量比較大,所以想先從網(wǎng)上找到大部分的分配數(shù)據(jù),寫個蜘蛛程序來抓取入庫,以后在程序的運行中不斷進行維護、更新、完善。
一些關鍵點
- goroutine的使用,讓程序并行運行。
- 正則表達式分組信息提取的使用,正確的提取我們關注的信息。
- 數(shù)據(jù)庫批量插入操作。
- 數(shù)據(jù)庫批量更新操作。
代碼解析
按功能模塊對核心代碼進行說明
ip.go
主進程,實現(xiàn)goroutine的調(diào)用。
func main() {
//利用go基本庫封裝的網(wǎng)頁抓取函數(shù),后面有說明
ctx := common.HttpGet("http://ips.chacuo.net/")
//正則表達式,有兩個分組(兩組小括號),分別取城市信息與url,具體分析代碼后面有說明
reg := regexp.MustCompile(`<li><a title="[\S]+" href='([^']+?)'>([^<]+?)</a></li>`)
//取得頁面上所有的城市及相應url
ips := reg.FindAllStringSubmatch(string(ctx), -1)
ch := make(chan string) //建立無緩沖字符串通道
for _, el := range ips { //一個協(xié)程處理一個具體頁面
go ipSpider.SpiderOnPage(el[1], el[2], ch)
}
for range ips { //阻塞等待所有抓取工作全部完成
fmt.Println(<-ch)
}
}
正則表達式說明
主進程針對所有省有入口頁面,取得每省的入口分配給一個協(xié)程去處理,每一個入口是這個樣子
<a title="北京最新IP地址段" rel="external nofollow" >北京</a>
- 請注意,這里面變化只有三個部分(title內(nèi)容,href內(nèi)容,鏈接顯示內(nèi)容),其中兩個部分是我們需要的
- title內(nèi)容對應正則為 [\S]+ ,非空白符
- href內(nèi)容對應的正則為 ([^']+?) ,第一次遇到單引號結束,問號表示非貪婪匹配,括號是分組,能方便取出所匹配信息
- 鏈接顯示內(nèi)容對應的正則為 ([^<]+?) , 第一次遇到<時結束,第二個分組
- FindAllStringSubmatch函數(shù)可以取出所有子分組,子分組從下標1開始,0為正則整體匹配的字符串
goroutine 流程
- 建立一個無緩沖字符串通道,作為所有協(xié)程與主進程通信通道
- 循環(huán)正則匹配結果,為每一個省的頁面分配一個協(xié)程
- 協(xié)程獲取數(shù)據(jù)成功并批量寫數(shù)據(jù)庫,返回成功信息到通道
- 協(xié)程處理失敗,反回失敗信息到通道
- 主進程阻塞等所有協(xié)程成功或失敗返回,并打印成功或失敗信息
獲取ip地址信息
與主進程類似,注意無信息時處理。
IpSpider.go
//獲取頁面數(shù)據(jù)
ctx := common.HttpGet(url)
//reg := regexp.MustCompile(`<li><a title="[\S]+" href='([^']+?)'>([^<]+?)</a></li>`)
//兩個分組分別對應IP段開始與結束
reg := regexp.MustCompile(`<dd><span class="v_l">([^<]+?)</span><span class="v_r">([^<]+?)</span><div class="clearfix"></div></dd>`)
//<dd><span class="v_l">49.64.0.0</span><span class="v_r">49.95.255.255</span><div class="clearfix"></div></dd>
//取得所有匹配的分組信息
ip := reg.FindAllStringSubmatch(string(ctx), -1)
//沒有取得任何信息,提前返回,很重要,不然主進程會一直等待結束不了
if len(ip) == 0 {
ch <- "There are no data exist."
return nil
}
數(shù)據(jù)庫表結構生成語句
CREATE TABLE `ip_addr_info` ( `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '索引,自動增長', `ip_addr_begin` varchar(32) NOT NULL DEFAULT '' COMMENT 'ip地址段開始', `ip_addr_end` varchar(32) DEFAULT '' COMMENT 'ip地址段結束', `province` varchar(32) DEFAULT '' COMMENT '所屬省', `ip_comp` varchar(32) DEFAULT '' COMMENT '運營商', PRIMARY KEY (`id`), UNIQUE KEY `ip_addr` (`ip_addr_begin`,`ip_addr_end`) ) ENGINE=InnoDB AUTO_INCREMENT=7268 DEFAULT CHARSET=utf8 COMMENT='表';
批量寫入數(shù)據(jù)庫
循環(huán)處理抓取數(shù)據(jù),生成批量寫入語句及輸入?yún)?shù),請簽到出到afc9ebd版本。
var vs [] interface{} //存儲輸入?yún)?shù)的接口數(shù)組
var vss string //待拼接的輸入?yún)?shù)占位符字符串
for _, el := range ip { //處理所有的數(shù)據(jù)
vs = append(vs, el[1], el[2], province) //每一列包括開始地址、結束地址與省份
vss += "(?,?,?)," //占位符
}
vss = vss[0:len(vss) -1] //去掉最后的逗號
var configs interface{} //從配置文件取數(shù)據(jù)庫信息
fr, err := os.Open("./configs.json") //配置文件內(nèi)容請參照上篇文章《golang實現(xiàn)mysql數(shù)據(jù)庫備份》
if err != nil {
ch <- err.Error()
return err
}
decoder := json.NewDecoder(fr)
err = decoder.Decode(&configs)
confs := configs.(map[string]interface{})
dialect := confs["database_dialect"].(string)
dbConf := confs["db_"+dialect+"_config"].(map[string]interface{})
dbHost := dbConf["db_host"].(string)
dbPort := strconv.FormatFloat(dbConf["db_port"].(float64), 'f', -1, 32)
dbUser := dbConf["db_user"].(string)
dbPass := dbConf["db_pass"].(string)
dbName := dbConf["db_name"].(string)
dbCharset := dbConf["db_charset"].(string)
dao, err := mysql.Open(dialect, dbUser + ":"+dbPass+"@tcp("+dbHost+":"+dbPort+")/"+dbName+"?charset="+dbCharset)
defer dao.Close()
if err != nil {
ch <- err.Error()
return err
}
//批量插入語句拼接
sqlstr := "insert into ip_addr_info (ip_addr_begin,ip_addr_end,province) values " + vss
stmt, err := dao.Prepare(sqlstr) //預處理帶參數(shù)的sql語句
rs, err := stmt.Exec(vs...) //帶參數(shù)執(zhí)行sql語句
if err != nil { //出錯,返回錯誤信息
ch <- err.Error()
return err
}else { //成功,返回成功信息
affect, _ := rs.RowsAffected()
ch <- "Province: " + province + ", affect: " + strconv.FormatInt(affect, 10)
return nil
}
批量修改數(shù)據(jù)庫
數(shù)據(jù)庫中的ip_comp字段,是代表運營商信息,需要從運營商頁面進入進行數(shù)據(jù)獲取,只需改一下入口url重新運行程序就能正確抓取,但這時入庫就不是新增了,而是更新,請簽出到4729e66版本。
//前提數(shù)據(jù)庫表定義要設定唯一索引,主鍵或其它定義的unique索引
...
sqlstr := "insert into ip_addr_info (ip_addr_begin,ip_addr_end,ip_comp) values " + vss +
//提供更新(唯一索引沖突時)時要對應原字段與值
" ON DUPLICATE KEY UPDATE ip_addr_begin = values(ip_addr_begin), ip_addr_end = values(ip_addr_end), ip_comp = values(ip_comp)"
stmt, err := dao.Prepare(sqlstr)
rs, err := stmt.Exec(vs...)
if err != nil {
ch <- err.Error()
return err
}else {
affect, _ := rs.RowsAffected()
ch <- "Province: " + province + ", affect: " + strconv.FormatInt(affect, 10)
return nil
}
待改進的方面
把入口url提到配置中,使用策略模式,讓匹配規(guī)則抽象成策略,目標是不改程序,調(diào)整配置文件就可以抓取不同的網(wǎng)頁。
項目地址
https://github.com/zhoutk/goTools
使用方法
git clone https://github.com/zhoutk/goTools cd goTools go get go run ip.go go buid ip.go ./ip
小結
熟悉了golang語言,了解了一種全新的并發(fā)編程模式,熟悉了具體的數(shù)據(jù)庫操作方法,給自己生成了一個方便的工具。
總結
以上就是這篇文章的全部內(nèi)容了,希望本文的內(nèi)容對大家的學習或者工作具有一定的參考學習價值,如果有疑問大家可以留言交流,謝謝大家對腳本之家的支持。
相關文章
go語言實現(xiàn)字符串與其它類型轉(zhuǎn)換(strconv包)
strconv包是Go語言標準庫的一部分,主要提供字符串與基本數(shù)據(jù)類型之間的轉(zhuǎn)換功能,使用strconv包可以方便地在不同類型之間進行轉(zhuǎn)換,滿足日常編程中的需求,感興趣的可以了解一下2024-10-10
Go語言并發(fā)控制之sync.WaitGroup使用詳解
這篇文章主要為大家詳細介紹了Go語言并發(fā)控制中sync.Map的原理與使用,文中的示例代碼講解詳細,感興趣的小伙伴可以跟隨小編一起學習一下2025-02-02
在Golang中正確的修改HTTPRequest的Host的操作方法
我們工作中經(jīng)常需要通過HTTP請求Server的服務,比如腳本批量請求接口跑數(shù)據(jù),由于一些網(wǎng)關策略,部分Server會要求請求中Header里面附帶Host參數(shù),所以本文給大家介紹了如何在Golang中正確的修改HTTPRequest的Host,需要的朋友可以參考下2023-12-12
go語言通過odbc操作Access數(shù)據(jù)庫的方法
這篇文章主要介紹了go語言通過odbc操作Access數(shù)據(jù)庫的方法,實例分析了Go語言通過odbc連接、查詢與關閉access數(shù)據(jù)庫的技巧,需要的朋友可以參考下2015-03-03

