Bagaimana untuk melaksanakan perangkak web berbilang benang menggunakan Go dan http.Transport?-Golang-php.cn

Bagaimana untuk melaksanakan perangkak web berbilang benang menggunakan Go dan http.Transport?

王林

Lepaskan： 2023-07-22 08:28:50

asal

688 orang telah melayarinya

Bagaimana untuk melaksanakan perangkak web berbilang benang menggunakan Go dan http.Transport?

Perangkak web ialah program automatik yang digunakan untuk merangkak kandungan web tertentu daripada Internet. Dengan perkembangan Internet, sejumlah besar maklumat perlu diperoleh dan diproses dengan cepat dan cekap, jadi perangkak web berbilang benang telah menjadi penyelesaian yang popular. Artikel ini akan memperkenalkan cara menggunakan bahasa http.Transport of Go untuk melaksanakan perangkak web berbilang benang yang mudah.

Bahasa Go ialah bahasa pengaturcaraan tersusun sumber terbuka, yang mempunyai ciri-ciri konkurensi tinggi, prestasi tinggi, kesederhanaan dan kemudahan penggunaan. http.Transport ialah kelas yang digunakan untuk permintaan klien HTTP dalam pustaka standard bahasa Go. Dengan menggunakan kedua-dua alat ini dengan betul, kami boleh melaksanakan perangkak web berbilang benang dengan mudah.

Pertama, kita perlu mengimport pakej yang diperlukan:

package main

import (
    "fmt"
    "net/http"
    "sync"
)

Salin selepas log masuk

Seterusnya, kita mentakrifkan struktur Spider, yang mengandungi beberapa sifat dan kaedah yang perlu kita gunakan: Spider结构体，它包含了我们需要使用的一些属性和方法：

type Spider struct {
    mutex    sync.Mutex
    urls     []string
    wg       sync.WaitGroup
    maxDepth int
}

Salin selepas log masuk

在结构体中，mutex用于并发控制，urls用于存储待爬取的URL列表，wg用于等待所有协程完成，maxDepth用于限制爬取的深度。

接下来，我们定义一个Crawl方法，用于实现具体的爬取逻辑：

func (s *Spider) Crawl(url string, depth int) {
    defer s.wg.Done()

    // 限制爬取深度
    if depth > s.maxDepth {
        return
    }

    s.mutex.Lock()
    fmt.Println("Crawling", url)
    s.urls = append(s.urls, url)
    s.mutex.Unlock()

    resp, err := http.Get(url)
    if err != nil {
        fmt.Println("Error getting", url, err)
        return
    }
    defer resp.Body.Close()

    // 爬取链接
    links := extractLinks(resp.Body)

    // 并发爬取链接
    for _, link := range links {
        s.wg.Add(1)
        go s.Crawl(link, depth+1)
    }
}

Salin selepas log masuk

在Crawl方法中，我们首先使用defer关键字来确保在方法执行完毕后释放锁和完成等待。然后，我们进行爬取深度的限制，超过最大深度时返回。接着，使用互斥锁保护共享的urls切片，将当前爬取的URL添加进去，然后释放锁。接下来，使用http.Get方法发送HTTP请求，并获取响应。在处理完响应后，我们调用extractLinks函数提取响应中的链接，并使用go关键字开启新的协程进行并发爬取。

最后，我们定义一个辅助函数extractLinks，用于从HTTP响应中提取链接：

func extractLinks(body io.Reader) []string {
    // TODO: 实现提取链接的逻辑
    return nil
}

Salin selepas log masuk

接下来，我们可以编写一个main函数，并实例化一个Spider对象来进行爬取：

func main() {
    s := Spider{
        maxDepth: 2, // 设置最大深度为2
    }

    s.wg.Add(1)
    go s.Crawl("http://example.com", 0)

    s.wg.Wait()

    fmt.Println("Crawled URLs:")
    for _, url := range s.urls {
        fmt.Println(url)
    }
}

Salin selepas log masuk

在main函数中，我们首先实例化一个Spider对象，并设置最大深度为2。然后，使用go关键字开启一个新的协程进行爬取。最后，使用Waitrrreee

Dalam struktur , mutex digunakan untuk kawalan serentak, url digunakan untuk menyimpan senarai URL yang hendak dirangkak, wg digunakan untuk menunggu semua coroutine selesai, maxDepth digunakan untuk mengehadkan kedalaman merangkak.

Seterusnya, kami mentakrifkan kaedah Merangkak untuk melaksanakan logik rangkak tertentu: 🎜rrreee🎜Dalam kaedah Merangkak, kami mula-mula menggunakan kata kunci menunggu untuk pastikan kunci dilepaskan dan penantian selesai selepas kaedah dilaksanakan. Kemudian, kami mengehadkan kedalaman merangkak dan kembali apabila kedalaman maksimum melebihi. Seterusnya, gunakan mutex untuk melindungi kepingan url yang dikongsi, tambahkan URL yang sedang dirangkak padanya dan kemudian lepaskan kunci. Seterusnya, gunakan kaedah http.Get untuk menghantar permintaan HTTP dan mendapatkan respons. Selepas memproses respons, kami memanggil fungsi extractLinks untuk mengekstrak pautan dalam respons dan menggunakan kata kunci go untuk memulakan coroutine baharu untuk merangkak serentak. 🎜🎜Akhir sekali, kami mentakrifkan fungsi tambahan extractLinks untuk mengekstrak pautan daripada respons HTTP: 🎜rrreee🎜Seterusnya, kami boleh menulis fungsi utama dan menjadikannya sebagai Spider objek untuk merangkak: 🎜rrreee🎜Dalam fungsi utama, kami mula-mula membuat instantiate objek Spider dan menetapkan kedalaman maksimum kepada 2. Kemudian, gunakan kata kunci go untuk memulakan coroutine baharu untuk merangkak. Akhir sekali, gunakan kaedah Tunggu untuk menunggu semua coroutine selesai dan mencetak senarai URL yang dirangkak. 🎜🎜Di atas ialah langkah asas dan kod contoh untuk melaksanakan perangkak web berbilang benang menggunakan Go dan http.Transport. Dengan menggunakan mekanisme konkurensi dan penguncian secara rasional, kami boleh mencapai rangkak web yang cekap dan stabil. Saya harap artikel ini dapat membantu anda memahami cara menggunakan bahasa Go untuk melaksanakan perangkak web berbilang benang. 🎜

Atas ialah kandungan terperinci Bagaimana untuk melaksanakan perangkak web berbilang benang menggunakan Go dan http.Transport?. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!