golang如何实现抓取IP地址的蜘蛛程序详解

背景

要做IP地址归属地查询，量比较大，所以想先从网上找到大部分的分配数据，写个蜘蛛程序来抓取入库，以后在程序的运行中不断进行维护、更新、完善。

一些关键点

goroutine的使用，让程序并行运行。正则表达式分组信息提取的使用，正确的提取我们关注的信息。数据库批量插入操作。数据库批量更新操作。

代码解析

按功能模块对核心代码进行说明

ip.go

主进程，实现goroutine的调用。

func main() {
 //利用go基本库封装的网页抓取函数，后面有说明
 ctx := common.HttpGet("http://ips.chacuo.net/") 
 //正则表达式，有两个分组（两组小括号），分别取城市信息与url，具体分析代码后面有说明
 reg := regexp.MustCompile(`  ([^  `)  
 //取得页面上所有的城市及相应url
 ips := reg.FindAllStringSubmatch(string(ctx), -1)

 ch := make(chan string) //建立无缓冲字符串通道

 for _, el := range ips { //一个协程处理一个具体页面
  go ipSpider.SpiderOnPage(el[1], el[2], ch)
 }

 for range ips {   //阻塞等待所有抓取工作全部完成
  fmt.Println( 

 正则表达式说明 

主进程针对所有省有入口页面，取得每省的入口分配给一个协程去处理，每一个入口是这个样子


 北京 

 
 请注意，这里面变化只有三个部分（title内容，href内容，链接显示内容），其中两个部分是我们需要的 
   title内容对应正则为 [\S]+ ，非空白符 
   href内容对应的正则为 ([^']+?) ，第一次遇到单引号结束，问号表示非贪婪匹配，括号是分组，能方便取出所匹配信息 
   链接显示内容对应的正则为 ([^ 
   FindAllStringSubmatch函数可以取出所有子分组，子分组从下标1开始，0为正则整体匹配的字符串 
 
 goroutine 流程 

 
 建立一个无缓冲字符串通道，作为所有协程与主进程通信通道 
   循环正则匹配结果，为每一个省的页面分配一个协程 
   协程获取数据成功并批量写数据库，返回成功信息到通道 
   协程处理失败，反回失败信息到通道 
   主进程阻塞等所有协程成功或失败返回，并打印成功或失败信息 
 
  获取ip地址信息  

与主进程类似，注意无信息时处理。

IpSpider.go

 //获取页面数据
 ctx := common.HttpGet(url)
 //reg := regexp.MustCompile(`  ([^  `)
 //两个分组分别对应IP段开始与结束
 reg := regexp.MustCompile(`  ([^  ([^  `)
 //  49.64.0.0  49.95.255.255  
 //取得所有匹配的分组信息
 ip := reg.FindAllStringSubmatch(string(ctx), -1)
 //没有取得任何信息，提前返回，很重要，不然主进程会一直等待结束不了
 if len(ip) == 0 {
  ch  

数据库表结构生成语句


CREATE TABLE `ip_addr_info` (
 `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '索引，自动增长',
 `ip_addr_begin` varchar(32) NOT NULL DEFAULT '' COMMENT 'ip地址段开始',
 `ip_addr_end` varchar(32) DEFAULT '' COMMENT 'ip地址段结束',
 `province` varchar(32) DEFAULT '' COMMENT '所属省',
 `ip_comp` varchar(32) DEFAULT '' COMMENT '运营商',
 PRIMARY KEY (`id`),
 UNIQUE KEY `ip_addr` (`ip_addr_begin`,`ip_addr_end`)
) ENGINE=InnoDB AUTO_INCREMENT=7268 DEFAULT CHARSET=utf8 COMMENT='表';

  批量写入数据库  

循环处理抓取数据，生成批量写入语句及输入参数，请签到出到afc9ebd版本。


 var vs [] interface{}  //存储输入参数的接口数组
 var vss string    //待拼接的输入参数占位符字符串
 for _, el := range ip {  //处理所有的数据
  vs = append(vs, el[1], el[2], province) //每一列包括开始地址、结束地址与省份
  vss += "(?,?,?),"  //占位符
 }
 vss = vss[0:len(vss) -1]  //去掉最后的逗号
 var configs interface{}  //从配置文件取数据库信息
 fr, err := os.Open("./configs.json") //配置文件内容请参照上篇文章《golang实现mysql数据库备份》
 if err != nil {
  ch  

  批量修改数据库  

数据库中的ip_comp字段，是代表运营商信息，需要从运营商页面进入进行数据获取，只需改一下入口url重新运行程序就能正确抓取，但这时入库就不是新增了，而是更新，请签出到4729e66版本。


 //前提数据库表定义要设定唯一索引，主键或其它定义的unique索引
 ...
 
 sqlstr := "insert into ip_addr_info (ip_addr_begin,ip_addr_end,ip_comp) values " + vss +
  //提供更新（唯一索引冲突时）时要对应原字段与值
  " ON DUPLICATE KEY UPDATE ip_addr_begin = values(ip_addr_begin), ip_addr_end = values(ip_addr_end), ip_comp = values(ip_comp)"
 stmt, err := dao.Prepare(sqlstr)
 rs, err := stmt.Exec(vs...)
 if err != nil {
  ch  

 待改进的方面 

把入口url提到配置中，使用策略模式，让匹配规则抽象成策略，目标是不改程序，调整配置文件就可以抓取不同的网页。
项目地址


https://github.com/zhoutk/goTools

 
使用方法


git clone https://github.com/zhoutk/goTools
cd goTools
go get
go run ip.go

go buid ip.go
./ip  

 小结 

熟悉了golang语言，了解了一种全新的并发编程模式，熟悉了具体的数据库操作方法，给自己生成了一个方便的工具。
  总结  
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，如果有疑问大家可以留言交流，谢谢大家对的支持。
                    
                    

      查看更多关于golang如何实现抓取IP地址的蜘蛛程序详解的详细内容...
        
          声明：本文来自网络，不代表【好得很程序员自学网】立场，转载请注明出处：http://www.haodehen.cn/did18910

更新时间：2022-09-14 阅读：83次