golang實現抓取IP地址的蜘蛛程式

背景

要做IP地址歸屬地查詢，量比較大，所以想先從網上找到大部分的分配資料，寫個蜘蛛程式來抓取入庫，以後在程式的運行中不斷進行維護、更新、完善。

一些關鍵點

1. goroutine的使用，讓程式並行運行。
2. Regex分組資訊提取的使用，正確的提取我們關注的資訊。
3. 資料庫批量插入操作。
4. 資料庫批次更新操作。

代碼解析

按功能模組對核心代碼進行說明

ip.go

主進程，實現goroutine的調用。

func main()  {    //利用go基本庫封裝的網頁抓取函數，後面有說明    ctx := common.HttpGet("http://ips.chacuo.net/")      //Regex，有兩個分組（兩組小括弧），分別取城市資訊與url，具體分析代碼後面有說明    reg := regexp.MustCompile(`<li><a title="[\S]+" href='([^']+?)'>([^<]+?)</a></li>`)            //取得頁面上所有的城市及相應url    ips := reg.FindAllStringSubmatch(string(ctx), -1)    ch := make(chan string)    //建立無緩衝字串通道    for _, el := range ips {    //一個協程處理一個具體頁面        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(<-ch)    }}

Regex說明

• 主進程針對所有省有入口頁面，取得每省的入口分配給一個協程去處理，每一個入口是這個樣子

<a title="北京最新IP位址區段" href="http://ips.chacuo.net/view/s_BJ">北京</a>

• 請注意，這裡面變化只有三個部分（title內容，href內容，連結顯示內容），其中兩個部分是我們需要的
• title內容對應正則為 [\S]+ ，非空白符
• href內容對應的正則為 ([^']+?) ，第一次遇到單引號結束，問號表示非貪婪匹配，括弧是分組，能方便取出所匹配資訊
• 連結顯示內容對應的正則為 ([^<]+?) ， 第一次遇到<時結束，第二個分組
• FindAllStringSubmatch函數可以取出所有子分組，子分組從下標1開始，0為正則整體匹配的字串

goroutine 流程

• 建立一個無緩衝字串通道，作為所有協程與主進程通訊通道
• 迴圈正則匹配結果，為每一個省的頁面分配一個協程
• 協程擷取資料成功並批量寫資料庫，返回成功資訊到通道
• 協程處理失敗，反回失敗資訊到通道
• 主進程阻塞等所有協程成功或失敗返回，並列印成功或失敗資訊

擷取ip地址資訊

與主進程類似，注意無資訊時處理。

IpSpider.go

    //擷取頁面資料    ctx := common.HttpGet(url)    //reg := regexp.MustCompile(`<li><a title="[\S]+" href='([^']+?)'>([^<]+?)</a></li>`)    //兩個分組分別對應IP段開始與結束    reg := regexp.MustCompile(`<dd><span class="v_l">([^<]+?)</span><span class="v_r">([^<]+?)</span><div class="clearfix"></div></dd>`)    //<dd><span class="v_l">49.64.0.0</span><span class="v_r">49.95.255.255</span><div class="clearfix"></div></dd>    //取得所有匹配的分組資訊    ip := reg.FindAllStringSubmatch(string(ctx), -1)    //沒有取得任何資訊，提前返回，很重要，不然主進程會一直等待結束不了    if len(ip) == 0 {        ch <- "There are no data exist."        return nil    }

資料庫表結構產生語句

CREATE TABLE `ip_addr_info` (  `id` int(11) NOT NULL AUTO_INCREMENT COMMENT '索引，自動成長',  `ip_addr_begin` varchar(32) NOT NULL DEFAULT '' COMMENT 'ip位址區段開始',  `ip_addr_end` varchar(32) DEFAULT '' COMMENT 'ip位址區段結束',  `province` varchar(32) DEFAULT '' COMMENT '所屬省',  `ip_comp` varchar(32) DEFAULT '' COMMENT '電訊廠商',  PRIMARY KEY (`id`),  UNIQUE KEY `ip_addr` (`ip_addr_begin`,`ip_addr_end`)) ENGINE=InnoDB AUTO_INCREMENT=7268 DEFAULT CHARSET=utf8 COMMENT='表';

批量寫入資料庫

迴圈處理抓取資料，產生批量寫入語句及輸入參數，請簽到出到afc9ebd版本。

    var vs [] interface{}        //儲存輸入參數的介面數組    var vss string               //待拼接的輸入參數預留位置字串    for _, el := range ip {      //處理所有的資料        vs = append(vs, el[1], el[2], province)    //每一列包括開始地址、結束位址與省份        vss += "(?,?,?),"        //預留位置    }    vss = vss[0:len(vss) -1]     //去掉最後的逗號    var configs interface{}      //從設定檔取資料庫資訊    fr, err := os.Open("./configs.json")    //設定檔內容請參照上篇文章《golang實現mysqlDatabase Backup》    if err != nil {        ch <- err.Error()        return err    }    decoder := json.NewDecoder(fr)    err = decoder.Decode(&configs)    confs := configs.(map[string]interface{})    dialect := confs["database_dialect"].(string)    dbConf := confs["db_"+dialect+"_config"].(map[string]interface{})    dbHost := dbConf["db_host"].(string)    dbPort := strconv.FormatFloat(dbConf["db_port"].(float64), 'f', -1, 32)    dbUser := dbConf["db_user"].(string)    dbPass := dbConf["db_pass"].(string)    dbName := dbConf["db_name"].(string)    dbCharset := dbConf["db_charset"].(string)    dao, err := mysql.Open(dialect, dbUser + ":"+dbPass+"@tcp("+dbHost+":"+dbPort+")/"+dbName+"?charset="+dbCharset)    defer dao.Close()    if err != nil {        ch <- err.Error()        return err    }    //批量插入語句拼接    sqlstr := "insert into ip_addr_info (ip_addr_begin,ip_addr_end,province) values " + vss    stmt, err := dao.Prepare(sqlstr)    //預先處理帶參數的sql語句    rs, err := stmt.Exec(vs...)         //帶參數執行sql語句    if err != nil {                    //出錯，返回錯誤資訊        ch <- err.Error()        return err    }else {                            //成功，返回成功資訊        affect, _ := rs.RowsAffected()        ch <- "Province: " + province + ", affect: " + strconv.FormatInt(affect, 10)        return nil    }

批量修改資料庫

資料庫中的ip_comp欄位，是代表電訊廠商資訊，需要從電訊廠商頁面進入進行資料擷取，只需改一下入口url重新運行程式就能正確抓取，但這時入庫就不是新增了，而是更新，請簽出到4729e66版本。

    //前提資料庫表定義要設定唯一索引，主鍵或其它定義的unique索引    ...        sqlstr := "insert into ip_addr_info (ip_addr_begin,ip_addr_end,ip_comp) values " + vss +        //提供更新（唯一索引衝突時）時要對應原欄位與值        " 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 <- err.Error()        return err    }else {        affect, _ := rs.RowsAffected()        ch <- "Province: " + province + ", affect: " + strconv.FormatInt(affect, 10)        return nil    }

待改進的方面

把入口url提到配置中，使用原則模式，讓匹配規則抽象成策略，目標是不改程式，調整設定檔就可以抓取不同的網頁。

項目地址

https://github.com/zhoutk/goTools

使用方法

git clone https://github.com/zhoutk/goToolscd goToolsgo getgo run ip.gogo buid ip.go./ip        

小結

熟悉了golang語言，瞭解了一種全新的並發編程模式，熟悉了具體的資料庫操作方法，給自己產生了一個方便的工具。