使用GoQuery实现头条新闻采集

news2024/10/5 22:24:14

亿牛云.png

概述

在本文中，我们将介绍如何使用Go语言和GoQuery库实现一个简单的爬虫程序，用于抓取头条新闻的网页内容。我们还将使用爬虫代理服务，提高爬虫程序的性能和安全性。我们将使用多线程技术，提高采集效率。最后，我们将展示爬虫程序的运行结果和代码。

正文

GoQuery简介

GoQuery是一个Go语言的库，用于解析和操作HTML文档。它提供了类似于jQuery的API，让我们可以方便地查询和处理网页元素。GoQuery可以从本地文件、字符串或者网络请求中加载HTML文档，并返回一个文档对象。我们可以使用选择器、过滤器、遍历器等方法来操作文档对象中的节点。GoQuery还支持链式调用，让我们可以编写更简洁和优雅的代码。

爬虫代理服务简介

爬虫代理服务是一个专业的代理IP服务商，提供高质量、高速度、高稳定性的代理IP资源。爬虫代理服务可以帮助我们隐藏真实的IP地址，避免被目标网站屏蔽或者限制。爬虫代理服务还提供了多种认证方式、多种协议支持、多种地域选择等功能，满足不同的爬虫需求。

多线程技术简介

多线程技术是一种编程技术，用于在同一时间执行多个任务。多线程技术可以提高程序的并发性和效率，特别是在处理网络请求等耗时操作时。Go语言提供了goroutine和channel等机制，让我们可以轻松地实现多线程编程。goroutine是一种轻量级的线程，可以在同一个进程中并发执行。channel是一种通信机制，可以在不同的goroutine之间传递数据。

头条新闻抓取流程

我们的目标是抓取头条新闻的网页内容，并提取出每条新闻的标题、链接、摘要、图片等信息。我们将使用Go语言和GoQuery库来实现这个功能。我们还将使用爬虫代理服务来获取代理IP，并使用多线程技术来提高采集效率。具体的流程如下：

从爬虫代理（亿牛云）服务获取代理IP地址、端口、用户名和密码。
使用代理IP地址和端口创建一个HTTP客户端。
使用HTTP客户端发送请求到头条新闻的首页。
使用GoQuery从响应中加载HTML文档，并返回一个文档对象。
使用选择器从文档对象中找到所有包含新闻信息的节点，并遍历每个节点。
从每个节点中提取出新闻的标题、链接、摘要、图片等信息，并保存到一个结构体中。
将结构体添加到一个切片中，作为最终的结果。
重复上述步骤，直到抓取完所有想要的新闻或者遇到错误。
打印或者输出最终的结果。

头条新闻抓取代码

以下是根据上述流程编写的代码示例，请注意，这个示例仅用于演示目的，您可能需要根据实际需求进行调整。在实际应用中，您应该考虑使用更复杂的代理服务器和更严格的安全设置。

package main

import (
	"fmt"
	"log"
	"net/http"
	"net/url"
	"sync"

	"github.com/PuerkitoBio/goquery"
)

// News 结构体用于存储新闻信息
type News struct {
	Title   string // 新闻标题
	Link    string // 新闻链接
	Summary string // 新闻摘要
	Image   string // 新闻图片
}

// getProxy 函数用于从代理服务获取代理IP地址和端口
func getProxy() (string, error) {
	// 使用亿牛云爬虫代理 设置代理IP的域名、端口、用户名和密码
	proxyHost := "www.16yun.cn"
	proxyPort := "8100"
	proxyUser := "16XXXX"
	proxyPass := "IPXXXX"

	// 构造代理请求的URL
	requestURL := fmt.Sprintf("http://%s:%s/getip?num=1&type=1&pro=&city=0&yys=0&port=11&pack=%s&ts=0&ys=0&cs=0&lb=1&sb=0&pb=4&mr=1&regions=", proxyHost, proxyPort, proxyUser)

	// 发送请求到代理服务
	resp, err := http.Get(requestURL)
	if err != nil {
		return "", err
	}
	defer resp.Body.Close()

	// 从响应中读取代理IP地址和端口
	var proxy string
	fmt.Fscanf(resp.Body, "%s", &proxy)

	return proxy, nil
}

// getNews 函数用于抓取新闻信息
func getNews(proxy string, wg *sync.WaitGroup, result *[]News) {
	defer wg.Done()

	// 使用代理IP地址创建HTTP客户端
	client := &http.Client{
		Transport: &http.Transport{
			Proxy: func(req *http.Request) (*url.URL, error) {
				return url.Parse("http://" + proxy)
			},
		},
	}

	// 发送请求到头条新闻首页
	resp, err := client.Get("https://www.toutiao.com/")
	if err != nil {
		log.Println(err)
		return
	}
	defer resp.Body.Close()

	// 解析HTML文档
	doc, err := goquery.NewDocumentFromReader(resp.Body)
	if err != nil {
		log.Println(err)
		return
	}

	// 查找新闻信息节点并遍历
	doc.Find(".single-mode-rbox").Each(func(i int, s *goquery.Selection) {
		var news News
		news.Title = s.Find(".title-box a").Text()
		news.Link, _ = s.Find(".title-box a").Attr("href")
		news.Summary = s.Find(".abstract").Text()
		news.Image, _ = s.Find(".img-wrap img").Attr("src")

		fmt.Println(news)
		*result = append(*result, news)
	})
}

func main() {
	var wg sync.WaitGroup
	var result []News
	var threadNum int = 10

	for i := 0; i < threadNum; i++ {
		wg.Add(1)
		proxy, err := getProxy()
		if err != nil {
			log.Println("无法获取代理：", err)
		} else {
			go getNews(proxy, &wg, &result)
		}
	}

	wg.Wait()

	fmt.Println("抓取到的新闻：")
	for i, news := range result {
		fmt.Printf("新闻 %d:\n", i+1)
		fmt.Printf("标题: %s\n", news.Title)
		fmt.Printf("链接: %s\n", news.Link)
		fmt.Printf("摘要: %s\n", news.Summary)
		fmt.Printf("图片: %s\n", news.Image)
	}
}