【Go】爬虫框架 predator 写完啦！请各位帮忙试用找 bug

thepoy · 发表于 2021-7-31 16:41

本帖最后由 thepoy 于 2021-8-2 08:08 编辑

predator / 掠食者

基于 fasthttp 开发的高性能爬虫框架

使用

下面是一个示例，基本包含了当前已完成的所有功能，使用方法可以参考注释。

1 创建一个 Crawler

import "github.com/thep0y/predator"

func main() {
    crawler := predator.NewCrawler(
        predator.WithUserAgent("Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:90.0) Gecko/20100101 Firefox/90.0"),
        predator.WithCookies(map[string]string{"JSESSIONID": cookie}),
        predator.WithProxy(ip), // 或者使用代{过}{滤}理池 predator.WithProxyPool([]string)
    )
}

创建Crawler时有一些可选项用来功能增强。所有可选项参考predator/options.go。

2 发送 Get 请求

crawler.Get("http://www.baidu.com")

对请求和响应的处理参考的是 colly，我觉得 colly 的处理方式非常舒服。

// BeforeRequest 可以在发送请求前，对请求进行一些修补
crawler.BeforeRequest(func(r *predator.Request) {
    headers := map[string]string{
        "Accept":           "*/*",
        "Accept-Language":  "zh-CN",
        "Accept-Encoding":  "gzip, deflate",
        "X-Requested-With": "XMLHttpRequest",
        "Origin":           "http://example.com",
    }

    r.SetHeaders(headers)

    // 请求和响应之间的上下文传递，上下文见下面的上下文示例
    r.Ctx.Put("id", 10)
    r.Ctx.Put("name", "tom")
})

crawler.AfterResponse(func(r *predator.Response) {
    // 从请求发送的上下文中取值
    id := r.Ctx.GetAny("id").(int)
    name := r.Ctx.Get("name")

    // 对于 json 响应，建议使用 gjson 进行处理
    body := gjson.ParseBytes(r.Body)
    amount := body.Get("amount").Int()
    types := body.Get("types").Array()
})

// 请求语句要在 BeforeRequest 和 AfterResponse 后面调用
crawler.Get("http://www.baidu.com")

3 发送 Post 请求

与 Get 请求有一点不同，通常每个 Post 的请求的参数是不同的，而这些参数都在请求体中，在BeforeRequest中处理请求体虽然可以，但绝非最佳选择，所以在构造 Post 请求时，可以直接传入上下文，用以解决与响应的信息传递。

// BeforeRequest 可以在发送请求前，对请求进行一些修补
crawler.BeforeRequest(func(r *predator.Request) {
    headers := map[string]string{
        "Accept":           "*/*",
        "Accept-Language":  "zh-CN",
        "Accept-Encoding":  "gzip, deflate",
        "X-Requested-With": "XMLHttpRequest",
        "Origin":           "http://example.com",
    }

    r.SetHeaders(headers)
})

crawler.AfterResponse(func(r *predator.Response) {
    // 从请求发送的上下文中取值
    id := r.Ctx.GetAny("id").(int)
    name := r.Ctx.Get("name")

    // 对于 json 响应，建议使用 gjson 进行处理
    body := gjson.ParseBytes(r.Body)
    amount := body.Get("amount").Int()
    types := body.Get("types").Array()
})

body := map[string]string{"foo": "bar"}

// 在 Post 请求中，应该将关键参数用这种方式放进上下文
ctx, _ := context.AcquireCtx()
ctx.Put("id", 10)
ctx.Put("name", "tom")

crawler.Post("http://www.baidu.com", body, ctx)

如果不需要传入上下文，可以直接用nil代替：

crawler.Post("http://www.baidu.com", body, nil)

4 发送 multipart/form-data 请求

multipart/form-data方法需要使用专门的PostMultipart方法，只是当前请求体只支持map[string]string，没有别的原因，因为我只用到这种类型，如果以后有别的需求，再改成map[string]interface{}。

参考示例：https://github.com/thep0y/predator/blob/main/example/multipart/main.go

5 上下文

上下文是一个接口，我实现了两种上下文：

ReadOp：基于sync.Map实现，适用于读取上下文较多的场景
WriteOp：用map实现，适用于读写频率相差不大或写多于读的场景，这是默认采用的上下文

爬虫中如果遇到了读远多于写时就应该换ReadOp了，如下代码所示：

ctx, err := AcquireCtx(context.ReadOp)

6 处理 HTML

爬虫的结果大体可分为两种，一是 HTML 响应，另一种是 JSON 格式的响应。

与 JSON 相比，HTML 需要更多的代码处理。

本框架对 HTML 处理进行了一些函数封装，能方便地通过 css selector 进行元素的查找，可以提取元素中的属性和文本等。

crawl := NewCrawler()

crawl.ParseHTML("body", func(he *html.HTMLElement) {
    // 元素内部 HTML
    h, err := he.InnerHTML()
    // 元素整体 HTML
    h, err := he.OuterHTML()
    // 元素内的文本（包括子元素的文本）
    he.Text()
    // 元素的属性
    he.Attr("class")
    // 第一个匹配的子元素
    he.FirstChild("p")
    // 最后一个匹配的子元素
    he.LastChild("p")
    // 第 2 个匹配的子元素
    he.Child("p", 2)
    // 第一个匹配的子元素的属性
    he.ChildAttr("p", "class")
    // 所有匹配到的子元素的属性切片
    he.ChildrenAttr("p", "class")
}

7 异步 / 多协程请求

c := NewCrawler(
    // 使用此 option 时自动使用指定数量的协程池发出请求，不使用此 option 则默认使用同步方式请求
    // 设置的数量不宜过少，也不宜过多，请自行测试设置不同数量时的效率
    WithConcurrency(30),
)

c.AfterResponse(func(r *predator.Response) {
    // handle response
})

for i := 0; i < 10; i++ {
    c.Post(ts.URL+"/post", map[string]string{
        "id": fmt.Sprint(i + 1),
    }, nil)
}

c.Wait()

8 使用缓存

默认情况下，缓存是不启用的，所有的请求都直接放行。

已经实现的缓存：

MySQL
PostgreSQL
Redis
SQLite3

缓存接口中有一个方法Compressed(yes bool)用来压缩响应的，毕竟有时，响应长度非常长，直接保存到数据库中会影响插入和查询时的性能。

这四个接口的使用方法示例：

// MySQL
c := NewCrawler(
    WithCache(&cache.MySQLCache{
        Host:     "127.0.0.1",
        Port:     "3306",
        Database: "predator",
        Username: "root",
        Password: "123456",
    }, false), // false 为关闭压缩，true 为开启压缩，下同
)

// PostgreSQL
c := NewCrawler(
    WithCache(&cache.PostgreSQLCache{
        Host:     "127.0.0.1",
        Port:     "54322",
        Database: "predator",
        Username: "postgres",
        Password: "123456",
    }, false),
)

// Redis
c := NewCrawler(
    WithCache(&cache.RedisCache{
        Addr: "localhost:6379",
    }, true),
)

// SQLite3
c := NewCrawler(
    WithCache(&cache.SQLiteCache{
        URI: uri,  // uri 为数据库存放的位置，尽量加上后缀名 .sqlite
    }, true),
)
// 也可以使用默认值。WithCache 的第一个为 nil 时，
// 默认使用 SQLite 作为缓存，且会将缓存保存在当前
// 目录下的 predator-cache.sqlite 中
c := NewCrawler(WithCache(nil, true))

9 代{过}{滤}理

支持 HTTP 代{过}{滤}理和 Socks5 代{过}{滤}理。

使用代{过}{滤}理时需要加上协议，如：

WithProxyPool([]string{"http://ip:port", "socks5://ip:port"})

10 日志

日志使用的是流行日志库zerolog。

默认情况下，日志是不开启的，需要手动开启。

WithLogger选项需要填入一个参数*predator.LogOp，当填入nil时，默认会以INFO等级从终端美化输出。

    crawler := predator.NewCrawler(
        predator.WithLogger(nil),
    )

predator.LogOp对外公开四个方法：

SetLevel：设置日志等级。等级可选：DEBUG、INFO、WARNING、ERROR、FATAL
```
logOp := new(predator.LogOp)
// 设置为 INFO
logOp.SetLevel(log.INFO)
```
ToConsole：美化输出到终端。
ToFile：JSON 格式输出到文件。
ToConsoleAndFile：既美化输出到终端，同时以 JSON 格式输出到文件。

日志的完整示例：

import "github.com/thep0y/predator/log"

func main() {
    logOp := new(predator.LogOp)
    logOp.SetLevel(log.INFO)
    logOp.ToConsoleAndFile("test.log")

    crawler := predator.NewCrawler(
        predator.WithLogger(logOp),
    )
}

11 关于 JSON

本来想着封装一个 JSON 包用来快速处理 JSON 响应，但是想了一两天也没想出个好办法来，因为我能想到的，gjson都已经解决了。

对于 JSON 响应，能用gjson处理就不要老想着反序列化了。对于爬虫而言，反序列化是不明智的选择。

当然，如果你确实有反序列化的需求，也不要用标准库，使用封装的 JSON 包中的序列化和反序列化方法比标准库性能高。

import "github.com/thep0y/predator/json"

json.Marshal()
json.Unmarshal()
json.UnmarshalFromString()

对付 JSON 响应，当前足够用了。

目标

[x] 完成对失败响应的重新请求，直到重试了传入的重试次数时才算最终请求失败
[x] 识别因代{过}{滤}理失效而造成的请求失败。当使用代{过}{滤}理池时，代{过}{滤}理池中剔除此代{过}{滤}理；代{过}{滤}理池为空时，终止整个爬虫程序
- 考虑到使用代{过}{滤}理必然是因为不想将本地 ip 暴露给目标网站或服务器，所以在使用代{过}{滤}理后，当所有代{过}{滤}理都失效时，不再继续发出请求
[x] HTML 页面解析。方便定位查找元素
[x] json 扩展，用来处理、筛选 json 响应的数据，原生 json 库不适合用在爬虫上
- 暂时没想到如何封装便捷好用的 json ，当前 json 包中只能算是使用示例
[x] 协程池，实现在多协程时对每个 goroutine 的复用，避免重复创建
[x] 定义缓存接口，并完成一种或多种缓存。因为临时缓存在爬虫中并不实用，所以 predator 采用持久化缓存。
- 默认使用 sqlite3 进行缓存，可以使用已实现的其他缓存数据库，也可以自己实现缓存接口
- 可用缓存存储有 SQLite3、MySQL、PostgreSQL、Redis
- 因为采用持久化缓存，所以不实现以内存作为缓存，如果需要请自行根据缓存接口实现
[x] 数据库管理接口，用来保存爬虫数据，并完成一种或多种数据库的管理
- SQL 数据库接口已实现了，NoSQL 接口与 SQL 差别较大，就不实现了，如果有使用 NoSQL 的需求，请自己实现
- 数据库接口没有封装在 Crawler 方法中，根据需要使用，一般场景下够用，复杂场景中仍然需要自己重写数据库管理
[x] 添加日志
- 可能还不完善
[ ] 为Request和Response的请求体Body添加池管理，减少 GC 次数
[ ] 增加对 robots.txt 的判断，默认遵守 robots.txt 规则，但可以选择忽略

asdswd · 发表于 2021-7-31 16:50

提示: 作者被禁止或删除内容自动屏蔽

枫叶工作室 · 发表于 2021-7-31 19:24

支持一下，写框架也不容易

ycs · 发表于 2021-7-31 19:49

支持一下，写框架也不容易

qq20036 · 发表于 2021-7-31 20:14

厉害了,就佩服写框架的人

mosou · 发表于 2021-7-31 20:29

cookie在哪儿设置的

Wits · 发表于 2021-7-31 20:41