Golang 网络爬虫框架gocolly/colly 五 获取动态数据

Golang 网络爬虫框架gocolly/colly 五 获取动态数据

gcocolly+goquery可以非常好地抓取HTML页面中的数据，但碰到页面是由Javascript动态生成时，用goquery就显得捉襟见肘了。解决方法有很多种，一，最笨拙但有效的方法是字符串处理，go语言string底层对应字节数组，复制任何长度的字符串的开销都很低廉，搜索性能比较高；二，利用正则表达式，要提取的数据往往有明显的特征，所以正则表达式写起来比较简单，不必非常严谨；三，使用浏览器控件，比如webloop；四，直接操纵浏览器，比如chromedp。一和二需要goquery提取javascript，然后再提取数据，速度非常快；三和四不需要分析脚本，在浏览器执行JavaScript生成页面后再提取，是比较偷懒的方式，但缺点是执行速度很慢，如果在脚本非常复杂、懒得分析脚本的情况下，牺牲下速度也是不错的选择。

不同的场景，做不同的选择。中证指数有限公司下载中心提供了行业市盈率下载，数据文件的Url在页面的脚本中，脚本简单且特征明显，直接用正则表达式的方式是最好的选择。

 

下载地址对应一段脚本

<a href="javascript:;" class="ml-20 dl download1">下载<i class="i_icon i_icon_rar ml-5"></i></a>

<script>

$(function() {

//切换

$('.hysyl_con').rTabs({

bind: 'click',

auto: false,

});

tabs($('.snav .tab_item'),$('.sCon .tab-con-item'));

tabs($('.snav2 .tab_item'),$('.sCon2 .tab-con-item'));

tabs($('.snav3 .tab_item'),$('.sCon3 .tab-con-item'));

 

$("#search_code1").on("click",function(){

            var csrc_code = $("#csrc_code1").val();

            if (csrc_code == '') {

                return false;

            }

            var url = "http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio-detail?date=2018-01-19&class=1&search=1&csrc_code="+csrc_code;

            $("#link_1").attr('href', url);

         document.getElementById("link_1").click();

        })

        $("#search_code2").on("click",function(){

            var csrc_code = $("#csrc_code2").val();

            if (csrc_code == '') {

                return false;

            }

            var url = "http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio-detail?date=2018-01-19&class=1&search=1&csrc_code="+csrc_code;

            $("#link_2").attr('href', url);

         document.getElementById("link_2").click();

        })

})

 

$(".download1").on("click",function(){

        var date = $(".date1").val();

        date = date.replace(/-/g, '');

        if (date) {

         $("#link1").attr('href', 'http://115.29.204.48/syl/'+date+'.zip');

         document.getElementById("link1").click();

        }

    });

$(".download2").on("click",function(){

        var date = $(".date2").val();

        date = date.replace(/-/g, '');

        if (date) {

         $("#link2").attr('href', 'http://115.29.204.48/syl/csi'+date+'.zip');

         document.getElementById("link2").click();

        }

    });

$(".download3").on("click",function(){

        var date = $(".date3").val();

        date = date.replace(/-/g, '');

        if (date) {

         $("#link3").attr('href', 'http://115.29.204.48/syl/bk'+date+'.zip');

         document.getElementById("link3").click();

        }

    });

</script>

 

点击下载时，为link1元素生成href属性，然后点击link1，这需要用gocolly+goquery提取date，然后获取服务器地址http://115.29.204.48/，根据获取文件的类型拼接字符串生成下载地址。

获取交易日期

   

 sTime := ""

    var bodyData []byte

 

    c:= colly.NewCollector()

 

    c.OnResponse(func (resp *colly.Response) {

        bodyData = resp.Body

    })

 

    c.OnHTML("input[name=date]",func (el *colly.HTMLElement) {

        

        sTime = el.Attr("value")

   

    })

 

 

    err = c.Visit("http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio")

    if err != nil {

        return

    }

　　

获取文件服务器地址，下载zip文件

    htmlDoc,err := goquery.NewDocumentFromReader(bytes.NewReader(bodyData))

    if err != nil {

        return

    }

 

    scripts := htmlDoc.Find("script")

 

    destScript := ""

    for _,n := range scripts.Nodes {

        

 

        if n.FirstChild != nil {

 

            if strings.Contains(n.FirstChild.Data,"syl/csi") && strings.Contains(n.FirstChild.Data,".download2"){

                destScript = n.FirstChild.Data

                break

            }

        }

    }

 

    re,err := regexp.Compile("http://[0-9]+.[0-9]+.[0-9]+.[0-9]+/syl/csi")

    if err != nil {

        log.Fatal(err)

    }

    result := re.FindString(destScript)

  

    pos := strings.LastIndex(result,"/")

 

    parentUrl := result[0:pos+1]

 

    link := parentUrl

 

    sTime = strings.Replace(sTime,"-","",-1)

 

    fileName := ""

    if t == ZhengJjianHuiHangYePERatio {

        fileName = fmt.Sprintf("%s.zip",sTime)      

        link += fileName

        fileName = "zjh"+fileName

    }else if t == ZhongZhengHangYePERatio {

        fileName = fmt.Sprintf("csi%s.zip",sTime)

        link += fileName

        

    }else {

        fileName = fmt.Sprintf("bk%s.zip",sTime)

        link += fileName

    }

    

    fmt.Println(link)

    

    cli:=http.Client{}

    resp,err := cli.Get(link)

    if err != nil {

        return

    }

defer resp.Body.Close()

    fullFileName := fmt.Sprintf("%s/%s",filePath,fileName)

    if resp.StatusCode == 200 {

        

        allBody,err := ioutil.ReadAll(resp.Body)

        if err != nil {

            return err

        }

 

        err = ioutil.WriteFile(fullFileName,allBody,0666)

        if err != nil {

            return err

        }

    }else{

        err = fmt.Errorf("bad resp.%d",resp.StatusCode)

        return 

    }

 

    err = archiver.Zip.Open(fullFileName, filePath)

　　 

在脚本里匹配服务器ip地址用 http://[0-9]+.[0-9]+.[0-9]+.[0-9]+/syl/csi

，因为前后都有限定元素，所以写得比较简单；如果没有前后限定条件，设计正则表达式就得多费心了，复杂的正则表达式会吓跑很多人。不过没关系，稍微了解一些正则表达式的知识，就可以用在爬虫上了。

    下载的文件是excel(.xls格式)的zip压缩包，解压缩操纵及xls读取后面再介绍。

转载请注明出处：https://www.cnblogs.com/majianguo/