go-spider

概述

本项目名为 go-spider，一个小型的爬虫程序

代码目录

• cache: 缓存层，用于网页去重
• conf: 配置文件存放
• configs: 配置文件加载层
• data: 存放种子文件
• parser: 网页解析服务层
• spider: 爬虫服务封装
• storage: 网页存储服务层
• main: 服务启动入口

核心逻辑

spider包中的主要几个方法介绍：

• NewSpiderService() 创建爬虫服务
• Run() 运行爬虫，让爬虫对象开始工作
• crawl(url string) 对目标url执行爬取任务
  • extractURLs(url string) 从目标url对应的网页中提取新url
    • parseWebpage() 解析网页
    • saveWebpage() 保存网页

其中crawl()是核心函数，爬虫对象会为每个url新开一个goroutine运行crawl方法。 为了控制并发度，每个goroutine在开始爬取时向爬虫对象请求一个token，爬取完后归还该token。 token数量即并发数，由配置文件指定。

crawl方法的主要工作逻辑：

1. 调用extractURLs()方法，通过目标url请求页面，解析页面，提取出新url数组
2. 遍历上述url数组，先判断url是否已经爬取过，是则忽略；否则记录下该url，然后开启一个go程执行crawl()方法爬取该url

在crawl方法中，还有一些网页爬取深度、爬取时间间隔、优雅退出等的控制。

编译

修改Makefile文件中的GO和GOROOT路径为本地相应路径，然后在本项目根目录执行make，编译通过后会在本地创建build目录

运行

进入上面build目录的bin目录：cd ./build/bin/

执行命令：./go-spider -c ../conf -l ../log

运行目录：

|- build
    |- bin
        |- go-spider         // 可执行二进制
    |- conf                   
        |- spider.conf         // 需手动放置或通过外部平台注入
    |- data
        |- url.data            // url种子文件    
    |- log                         
        |- log.txt             // 日志
    |- output                  // 存放抓取的web文件