服务器之家

服务器之家 > 正文

golang如何实现抓取IP地址的蜘蛛程序详解

时间:2020-05-16 15:20     来源/作者:zhoutk

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。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
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(`<li><a id="codetool">

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

?
1
<a title="北京最新IP地址段" href="http://ips.chacuo.net/view/s_BJ" rel="external nofollow" >北京</a>
  • 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 ([^<]+?) , 第一次遇到<时结束,第二个分组
  • 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

?
1
2
3
4
5
6
7
8
9
10
11
12
13
//获取页面数据
ctx := common.HttpGet(url)
//reg := regexp.MustCompile(`<li><a id="codetool">

数据库表结构生成语句

?
1
2
3
4
5
6
7
8
9
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。

?
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
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 <- 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
}
//批量插入语句拼接
sqlstr := "insert into ip_addr_info (ip_addr_begin,ip_addr_end,province) values " + vss
stmt, err := dao.Prepare(sqlstr) //预处理带参数的sql语句
rs, err := stmt.Exec(vs...)   //带参数执行sql语句
if err != nil {     //出错,返回错误信息
 ch <- err.Error()
 return err
}else {       //成功,返回成功信息
 affect, _ := rs.RowsAffected()
 ch <- "Province: " + province + ", affect: " + strconv.FormatInt(affect, 10)
 return nil
}

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。

?
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
//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 <- err.Error()
 return err
}else {
 affect, _ := rs.RowsAffected()
 ch <- "Province: " + province + ", affect: " + strconv.FormatInt(affect, 10)
 return nil
}

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

?
1
2
3
4
5
6
7
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,谢谢大家对服务器之家的支持。

原文链接:https://segmentfault.com/a/1190000015418170

相关文章

热门资讯

返回顶部