Go语言并发爬虫的具体实现

并发 爬虫
本文主要介绍了Go语言并发爬虫的具体实现,文中通过示例代码介绍的非常详细,具有一定的参考价值,感兴趣的小伙伴们可以参考一下

写在前面

这篇文章主要让大家明白多线程爬虫,因为go语言实现并发是很容易的。

这次的服务端,是我们之前搭建的电子商城平台,所以我们不担心ip被封之类的问题。
而实际生产环境中,其实我们都是用python爬虫的。python实现多线程也很简单。

这次我们可以试试新玩法,试试go语言的并发爬虫。

主要是爬取第一页的商品,爬取十次,比较单线程和多线程的时间。

1. 单线程爬虫

 定义一个用户

var Client http.Client

主函数

func main() {
    url := "http://localhost:3000/api/v1/products"
    start := time.Now()
    for i := 0; i < 10; i++ {
        Spider(url, i)
    }
    elapsed := time.Since(start)
    fmt.Printf("Time %s", elapsed)
}

爬取函数

func Spider(url string, i int) {
    reqSpider, err := http.NewRequest("GET", url, nil)
    if err != nil {
        log.Fatal(err)
    }
    reqSpider.Header.Set("content-length", "0")
    reqSpider.Header.Set("accept", "*/*")
    reqSpider.Header.Set("x-requested-with", "XMLHttpRequest")
    respSpider, err := Client.Do(reqSpider)
    if err != nil {
        log.Fatal(err)
    }
    bodyText, _ := ioutil.ReadAll(respSpider.Body)
    var result Result
    _ = json.Unmarshal(bodyText, &result)
    fmt.Println(i,result.Data)
}

运行时间为:651.8207ms

在这里插入图片描述

2. 多线程爬虫

2.1 channel main函数

我们构造一个无缓冲的通道,来阻塞主进程,等待子进程的执行。

func main() {
    url := "http://localhost:3000/api/v1/products"
    ch := make(chan bool)
    start := time.Now()
    for i := 0; i < 10; i++ {
        go Spider(url, ch, i)
    }
    for i := 0; i < 10; i++ {
        <-ch
    }
    elapsed := time.Since(start)
    fmt.Printf("Time %s", elapsed)
}

最后记得在爬虫的结束的时候,把值写入到通道中,不然会一直阻塞主进程

在这里插入图片描述

运行时间:187.7921ms 比之前快了非常多。

在这里插入图片描述

2.2 sync.WaitGroup

定义一个进程组并加10个进程

    var wg sync.WaitGroup
    wg.Add(10)

开辟十个goruntime

    for i := 0; i < 10; i++ {
        go func(i int) {
            defer wg.Done()
            SpiderWaitGroup(url,i)
        }(i)
    }

阻塞主进程

wg.Wait()

结果:64.5246ms

在这里插入图片描述

3. 源码地址

GitHub地址:https://github.com/CocaineCong/Go-Spider-Demo

    NormalStart(url) // 单线程爬虫
    ChannelStart(url) // Channel多线程爬虫
    WaitGroupStart(url) // Wait 多线程爬虫

其实多线程的两种都差不多的,只是有时候会因为机器的原因而导致一些误差。

在这里插入图片描述