GoSpiderTest

由于之前一直想爬取花瓣网(http://huaban.com/partner/uc/aimeinv/pins/) 的图片，又迫于没时间，所以拖了很久。
鉴于最近在学go语言，就刚好用这个练手了。

预览

进入网站后，首页大概是这个样子

分析

网站采用的流式布局，动态加载。未经渲染的初始页面源代码中包含有20张图片的相关信息。 每张图片有它的pin_id和key， pin_id差不多就是id，而key应该是文件的特性码，由此key拼接url可以直接得到图片的地址。

使用了动态加载，鉴于这个比较简单，就没必要用无头浏览器了， 直接需要抓包分析，来手动模拟翻页请求。

翻页的一个实例：

http://huaban.com/partner/uc/aimeinv/pins/?max=2117952645&limit=8&wfl=1

有三个参数max就是图片的id， limit是指定了返回图片的数量，而那个wfl就不知道了，变成0好像也没啥变化，就不管它了。

这里我想，要是直接把limit变成一个很大的数，翻页的过程不就省略了吗😂，于是就试了个800。结果我的妈呀，它还真返回了这么多。。。

不过作为一个上进的程序员(●'◡'●)，怎么能采取这种方法呢。于是继续研究，发现那个max是当前页最后一张图片的id，这样的话就好办了。

开始

首先由url获取网页返回的内容

func getHtml(url string) string{
	resp, err := http.Get(url)

	if err != nil {
		fmt.Println("A error occurred!")
	}
	defer resp.Body.Close()

	htmlBytes, err := ioutil.ReadAll(resp.Body)
	if err != nil {
		log.Fatal(err)
	}
	return string(htmlBytes)
}

然后解析该网页，包括下载该页中的图片，以及得到max值用于翻页。抓包时发现浏览器中返回的是json，我自己也试着加上Accept头，接受json类型，但返回的仍然是html，估计是少了什么header，这里我也懒得去尝试缺少啥头部了，直接对返回的html页面解析，就像第一次打开首页那样。另外由于key都位于script标签内，所以就不太适合用goquery等库了，直接用正则解析吧

func parsePage(strHtml string) string{
	// 利用正则爬取页面中图片的key
	reg := regexp.MustCompile("\"key\":\"(.*?)\"")
	keys := reg.FindAllStringSubmatch(strHtml, -1)

	// 利用正则爬取页面中图片的pin_id
	rege := regexp.MustCompile(`"pin_id":(\d+),`)
	ids := rege.FindAllStringSubmatch(strHtml, -1)


	for i := 0; i < len(keys) ; i++ {
		key := keys[i][1]
		// 过滤掉非图片类型的key
		if len(key) < 46{
			continue
		}
		fmt.Println(parseKey(key))
		downImg(parseKey(key))
		count++
	}
	// 得到用于翻页的id
	fmt.Println(ids[len(ids)-1][1])
	return ids[len(ids)-1][1]
}

其中downImg()是图片下载函数

// 图片下载函数
func downImg(url string) {
	// 处理前缀为//的url
	if string([]rune(url)[:2]) == "//" {
		url = "http:" + url
		fmt.Println(url)
	}

	// 解决文件无图片格式后缀的问题
	fileName := path.Base(url)
	if !strings.Contains(fileName, ".png") {
		fileName += ".png"
	}

	resp, err := http.Get(url)
	if err != nil {
		fmt.Println("A error occurred!")
		return
	}
	defer resp.Body.Close()
	reader := bufio.NewReaderSize(resp.Body, 32*1024)

	file, _ := os.Create(BasePath + fileName)
	writer := bufio.NewWriter(file)

	written, _ := io.Copy(writer, reader)
	fmt.Printf("Total length: %d\n", written)
}

关键的main函数是

func main() {
	fmt.Println("Spider Start: ------------------------------>")

	html := getHtml(HuabanUrl)

	for i := 0; i < PageNum + 1; i++ {
		id := parsePage(html)
		html = getHtml(nextPage(id))
	}
	fmt.Println("任务完成，共计下载：", count)
}

截图

运行截图

及成果截图（不是缩略图哦(●'◡'●)）