最近學習go，爬取網站數據用到正則表達式，做個總結；
Go中正則表達式采用RE2語法（具體是啥咱也不清楚）；
字符
- . ——匹配任意字符 e.g: abc. 結果: abcd,abcx,abc9;
- [] ——匹配括號中任意一個字符 e.g: [abc]d 結果：ad,cd,1d；
- - ——[-]中表示范圍 e.g: [A-Za-z0-9]；
- ^ ——[^]中表示除括號中的任意字符 e.g：[^xy]a 結果：aa,da,不能為xa,ya；
數量限定
- ？ ——前面單元匹配0或1次；
- + ——前面單元匹配1或多次；
- * ——前面單元匹配0或多次；
- {,} ——顯示個數上下線；e.g ： ip地址——[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}.[0-9]{1,3}；
其他
- \ ——轉義字符;
- | ——條件或;
- () ——組成單元 如果字符串本身有括號"[(] aaa. [)]" ;
方法
|
1
2
3
4
|
//參數正則字符串，返回值*Regexpstr := regexp.MustCompile(string) //參數要查找的數據，查找次數-1為全局，返回值二維數組，查找出的字符串+正則字符串var result [][]string = str.FindAllStringSubmatch(data, -1) |
爬蟲
爬取博客園所有文章閱讀量，評論，推薦；
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
|
package mainimport ( "fmt" "io" "net/http" "regexp" "strconv")var readCount int = 0var commentCount int = 0var diggCount int = 0//http讀取網頁數據寫入result返回func HttpGet(url string) (result string, err error) { resp, err1 := http.Get(url) if err1 != nil { err = err1 return } defer resp.Body.Close() buf := make([]byte, 4096) for { n, err2 := resp.Body.Read(buf) //fmt.Println(url) if n == 0 { break } if err2 != nil && err2 != io.EOF { err = err2 return } result += string(buf[:n]) } return result, err}//橫向縱向爬取文章標題數據，并累計數值func SpiderPageDB(index int, page chan int) { url := "https://www.cnblogs.com/littleperilla/default.html?page=" + strconv.Itoa(index) result, err := HttpGet(url) if err != nil { fmt.Println("HttpGet err:", err) return } str := regexp.MustCompile("post-view-count\">閱讀[(](?s:(.*?))[)]</span>") alls := str.FindAllStringSubmatch(result, -1) for _, j := range alls { temp, err := strconv.Atoi(j[1]) if err != nil { fmt.Println("string2int err:", err) } readCount += temp } str = regexp.MustCompile("post-comment-count\">評論[(](?s:(.*?))[)]</span>") alls = str.FindAllStringSubmatch(result, -1) for _, j := range alls { temp, err := strconv.Atoi(j[1]) if err != nil { fmt.Println("string2int err:", err) } commentCount += temp } str = regexp.MustCompile("post-digg-count\">推薦[(](?s:(.*?))[)]</span>") alls = str.FindAllStringSubmatch(result, -1) for _, j := range alls { temp, err := strconv.Atoi(j[1]) if err != nil { fmt.Println("string2int err:", err) } diggCount += temp } page <- index}//主要工作方法func working(start, end int) { fmt.Printf("正在從%d到%d爬取中...\n", start, end) //channel通知主線程是否所有go都結束 page := make(chan int) //多線程go程同時爬取 for i := start; i <= end; i++ { go SpiderPageDB(i, page) } for i := start; i <= end; i++ { fmt.Printf("拉取到%d頁\n", <-page) }}//入口函數func main() { //輸入爬取的起始頁 var start, end int fmt.Print("startPos:") fmt.Scan(&start) fmt.Print("endPos:") fmt.Scan(&end) working(start, end) fmt.Println("閱讀:", readCount) fmt.Println("評論:", commentCount) fmt.Println("推薦:", diggCount)} |
補充：正則表達式加golang爬蟲爬取經典案例豆瓣top250
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
|
package mainimport ( "fmt" "io" "net/http" "os" "regexp" "strconv")func savToFile(index int, filmName, filmScore [][]string) { f, err := os.Create("第" + strconv.Itoa(index) + "頁.txt") if err != nil { fmt.Println("os create err", err) return } defer f.Close() // 查出有多少條 n := len(filmName) // 先寫抬頭 名稱 評分 f.WriteString("電影名稱" + "\t\t\t" + "評分" + "\n") for i := 0; i < n; i++ { f.WriteString(filmName[i][1] + "\t\t\t" + filmScore[i][1] + "\n") }}func main() { var start, end int fmt.Print("請輸入要爬取的起始頁") fmt.Scan(&start) fmt.Print("請輸入要爬取的終止頁") fmt.Scan(&end) working(start, end)}func working(start int, end int) { fmt.Printf("正在爬取%d到%d頁", start, end) for i := start; i <= end; i++ { SpiderPage(i) }}// 爬取一個豆瓣頁面數據信息保存到文檔func SpiderPage(index int) { // 獲取url url := "https://movie.douban.com/top250?start=" + strconv.Itoa((index-1)*25) + "&filter=" // 爬取url對應頁面 result, err := HttpGet(url) if err != nil { fmt.Println("httpget err", err) return } //fmt.Println("result=", result) // 解析，編譯正則表達式 ---電影名稱 ret := regexp.MustCompile(`<img width="100" id="codetool">
|
