golang如何实现抓取IP地址的蜘蛛程序详解

作者:袖梨 2022-06-25

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(<-ch) } }

    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

    • 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

     //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(`
    ([^<]+?)([^<]+?)
    `) //
    49.64.0.049.95.255.255
    //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 <- "There are no data exist." return nil }

    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 <- 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。

     //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

    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。

    相关文章

    精彩推荐