多线程并发爬虫教程示例

爬虫总体上分为四个主要步骤：

1、明确目标，需要做的从哪个途径或者哪个范围内网站搜索。

2、爬，将获取到的网站内容全部爬下来。

3、取，对数据分析去掉没用的数据。

4、处理数据，按照我们想要的方式存储和使用。

并发版爬虫

单任务爬取数据太过缓慢，这个是针对小型项目业务场景。如果爬取量非常大，只能通过并发的方式实现快速采集。

package main

import (
  "fmt"
  "net/http"
  "os"
  "strconv"
)

//爬取网页内容
func HttpGet(url string) (result string, err error) {
  resp, err1 := http.Get(url)
  if err1 != nil {
  err = err1
  return
  }
  defer resp.Body.Close()
  //读取网页body的内容
  buf := make([]byte, 1204*4)
  for {
  n, err := resp.Body.Read(buf)
  if n == 0 { //读取结束，或者出问题
    fmt.Println("resp.Body.Read err = ", err)
    break
  }
  result += string(buf[:n])
  }
  return
}
func SpiderPage(i int, page chan<- int) {
  url := "https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=" + strconv.Itoa((i-1)*50)
  fmt.Println("url = ", url)

  //2,爬取内容（将网站内容爬取下来）
  result, err := HttpGet(url)
  if err != nil {
  fmt.Println("HttpGet err = ", err)
  return
  }
  //把内容写入到文件
  fileName := strconv.Itoa(i) + ".html"
  f, err1 := os.Create(fileName)
  if err1 != nil {
  fmt.Println("os.Create err1 = ", err1)
  return
  }
  f.WriteString(result) //写内容
  f.Close()             //关闭文件
  page <- i
}

func DoWork(start, end int) {
  fmt.Printf("正在爬取 %d 到 %d 的页面\n", start, end)
  page := make(chan int)
  //1,明确目标（要知道你准备在哪个范围或者网站去搜索）
  //https://tieba.baidu.com/f?kw=%E7%BB%9D%E5%9C%B0%E6%B1%82%E7%94%9F&ie=utf-8&pn=0 //下一页+50
  for i := start; i <= end; i++ {
  go SpiderPage(i, page)
  }

  for i := start; i <= end; i++ {
  fmt.Printf("第%d个页面爬取完成\n", <-page)
  }
}

func main() {
  var start, end int
  fmt.Printf("请输入起始页(>= 1)：")
  fmt.Scan(&start)
  fmt.Printf("请输入终止页(>= 起始页)：")
  fmt.Scan(&end)

  DoWork(start, end)

}

利用go关键词实现并发，然后再配合管道以保证任务在完成之前阻塞状态，从而能够正常完成。