背景
要做IP地址歸屬地查詢，量比較大，所以想先從網上找到大部分的分配數據，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。
- 數據庫批量插入操作。
- 數據庫批量更新操作。
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goroutine的調用。
func main() {
//利用go基本庫封裝的網頁抓取函數，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內容，href內容，鏈接顯示內容），其中兩個部分是我們需要的
- title內容對應正則為 [\S]+ ，非空白符
- href內容對應的正則為 ([^']+?) ，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
- 鏈接顯示內容對應的正則為 ([^]+?) ， 第一次遇到時結束，第二個分組
- FindAllStringSubmatch函數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，作為所有協程與主進程通信通道
- 循環正則匹配結果，為每一個省的頁面分配一個協程
- 協程獲取數據成功并批量寫數據庫，返回成功信息到通道
- 協程處理失敗，反回失敗信息到通道
- 主進程阻塞等所有協程成功或失敗返回，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
//獲取頁面數據
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
}
數據庫表結構生成語句
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';
批量寫入數據庫
循環處理抓取數據，生成批量寫入語句及輸入參數，請簽到出到afc9ebd版本。
var vs [] interface{} //存儲輸入參數的接口數組
var vss string //待拼接的輸入參數占位符字符串
for _, el := range ip { //處理所有的數據
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{} //從配置文件取數據庫信息
fr, err := os.Open("./configs.json") //配置文件內容請參照上篇文章《golang實現mysql數據庫備份》
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) //預處理帶參數的sql語句
rs, err := stmt.Exec(vs...) //帶參數執行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
}
批量修改數據庫
數據庫中的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據獲取，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。
//前提數據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，讓匹配規則抽象成策略，目標是不改程序，調整配置文件就可以抓取不同的網頁。
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編程模式，熟悉了具體的數據庫操作方法，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容了，希望本文的內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。
您可能感興趣的文章:- Go語言通過http抓取網頁的方法
- go語言實現一個簡單的http客戶端抓取遠程url的方法
- golang抓取網頁并分析頁面包含的鏈接方法
