Golang 网络爬虫框架gocolly/colly 五 获取动态数据
gcocolly+goquery可以非常好地抓取HTML页面中的数据，但碰到页面是由Javascript动态生成时，用goquery就显得捉襟见肘了。解决方法有很多种，一，最笨拙但有效的方法是字符串处理，go语言string底层对应字节数组，复制任何长度的字符串的开销都很低廉，搜索性能比较高；二，利用正则表达式，要提取的数据往往有明显的特征，所以正则表达式写起来比较简单，不必非常严谨；三，使用浏览器控件，比如webloop；四，直接操纵浏览器，比如chromedp。一和二需要goquery提取javascript，然后再提取数据，速度非常快；三和四不需要分析脚本，在浏览器执行JavaScript生成页面后再提取，是比较偷懒的方式，但缺点是执行速度很慢，如果在脚本非常复杂、懒得分析脚本的情况下，牺牲下速度也是不错的选择。
不同的场景，做不同的选择。中证指数有限公司下载中心提供了行业市盈率下载，数据文件的Url在页面的脚本中，脚本简单且特征明显，直接用正则表达式的方式是最好的选择。
下载地址对应一段脚本
点击下载时，为link1元素生成href属性，然后点击link1，这需要用gocolly+goquery提取date，然后获取服务器地址http://115.29.204.48/，根据获取文件的类型拼接字符串生成下载地址。
获取交易日期
sTime := "" var bodyData []byte c:= colly.NewCollector() c.OnResponse(func (resp *colly.Response) { bodyData = resp.Body }) c.OnHTML("input[name=date]",func (el *colly.HTMLElement) { sTime = el.Attr("value") }) err = c.Visit("http://www.csindex.com.cn/zh-CN/downloads/industry-price-earnings-ratio") if err != nil { return }
获取文件服务器地址，下载zip文件
htmlDoc,err := goquery.NewDocumentFromReader(bytes.NewReader(bodyData)) if err != nil { return } scripts := htmlDoc.Find("script") destScript := "" for _,n := range scripts.Nodes { if n.FirstChild != nil { if strings.Contains(n.FirstChild.Data,"syl/csi") && strings.Contains(n.FirstChild.Data,".download2"){ destScript = n.FirstChild.Data break } } } re,err := regexp.Compile("http://[0-9]+.[0-9]+.[0-9]+.[0-9]+/syl/csi") if err != nil { log.Fatal(err) } result := re.FindString(destScript) pos := strings.LastIndex(result,"/") parentUrl := result[0:pos+1] link := parentUrl sTime = strings.Replace(sTime,"-","",-1) fileName := "" if t == ZhengJjianHuiHangYePERatio { fileName = fmt.Sprintf("%s.zip",sTime) link += fileName fileName = "zjh"+fileName }else if t == ZhongZhengHangYePERatio { fileName = fmt.Sprintf("csi%s.zip",sTime) link += fileName }else { fileName = fmt.Sprintf("bk%s.zip",sTime) link += fileName } fmt.Println(link) cli:=http.Client{} resp,err := cli.Get(link) if err != nil { return }defer resp.Body.Close() fullFileName := fmt.Sprintf("%s/%s",filePath,fileName) if resp.StatusCode == 200 { allBody,err := ioutil.ReadAll(resp.Body) if err != nil { return err } err = ioutil.WriteFile(fullFileName,allBody,0666) if err != nil { return err } }else{ err = fmt.Errorf("bad resp.%d",resp.StatusCode) return } err = archiver.Zip.Open(fullFileName, filePath)
在脚本里匹配服务器ip地址用 http://[0-9]+.[0-9]+.[0-9]+.[0-9]+/syl/csi
，因为前后都有限定元素，所以写得比较简单；如果没有前后限定条件，设计正则表达式就得多费心了，复杂的正则表达式会吓跑很多人。不过没关系，稍微了解一些正则表达式的知识，就可以用在爬虫上了。
下载的文件是excel(.xls格式)的zip压缩包，解压缩操纵及xls读取后面再介绍。
转载请注明出处：https://www.cnblogs.com/majianguo/