crawler

Crawler

4种网页文本处理手段

1. 正则表达式

   // regexp.MustCompile函数会在编译时，提前解析好正则表达式内容，在一定程度上加速程序的运行。
   // [\s\S]*?，[\s\S] 任意字符串，*将前面任意字符匹配0次或无数次，?非贪婪匹配，找到第一次出现的地方，就认定匹配成功。
   // 由于回溯的原因，复杂的正则表达式，可能比较消耗CPU资源。
   var headerReg = regexp.MustCompile(`<div class="news_li"[\s\S]*?<h2>[\s\S]*?<a.*?target="_blank">([\s\S]*?)</a>`)
   
   // FindAllSubmatch返回一个三维字节数组，第三层是字符实际对应的字节数组
   matches := headerReg.FindAllSubmatch(body, -1)
   

2. XPath(XML Path Language)

   定义了一种遍历XML文档中节点层次结构，并返回匹配元素的灵活方法。 第三方库github.com/antchfx/htmlquery提供了在HTML中通过XPath匹配XML节点的引擎。

   // XPath语法
   var xpathReg = `//div[@class="news_li"]/h2/a[@target="_blank"]`
   // 解析HTML文本
   doc, err := htmlquery.Parse(bytes.NewReader(body))
   
   // 通过XPath语法查找符合条件的节点
   nodes := htmlquery.Find(doc, xpathReg)
   

3. CSS选择器

   CSS是一种定义HTML文档中元素样式的语言。 第三库github.com/PuerkitoBio/goquery支持CSS选择器。

   var cssReg = "div.news_li h2 a[target=_blank]"
   // 加载HTML文本
   doc, err := goquery.NewDocumentFromReader(bytes.NewReader(body))
   // 根据CSS标签选择器的语法查找匹配的标签，并遍历输出a标签中的文本
   doc.Find(cssReg).Each(func(i int, s *goquery.Selection) {
   	// 获取匹配的元素文本
   	title := s.Text()
   	log.Printf("review %d: %s\n", i, title)
   })
   

4. 标准库：strings,bytes,text/encoding,html/charset

小结：由于正则表达式通常比较复杂且性能低下，在实际运用过程中，通常采用XPath,CSS选择器进行结构化查询。XPath是为XML文档设计的，而CSS选择器是为HTML文本专门设计的，更加简单主流。

• https://github.com/dreamerjackson/crawler “聚沙万塔-Go语言构建高性能、分布式爬虫项目”