package main import ( "io/ioutil" "golang.org/x/net/html/charset" "golang.org/x/text/encoding" "bufio" "golang.org/x/text/transform" "golang.org/x/text/encoding/unicode" "log" "regexp" "strconv" "net/http" "fmt" "time" "gopkg.in/olivere/elastic.v5" "context" "net/rpc/jsonrpc" "net/rpc" "net" ) var rateLimiter = time.Tick(10 * time.Millisecond) /* start Fetch.go*/ func Fetch(url string)([]byte ,error){ //resp,err:= http.Get(url) // //if err!=nil{ // return nil,err //} // //defer resp.Body.Close() //if resp.StatusCode != http.StatusOK{ // return nil,fmt.Errorf("Error: status code:%d",resp.StatusCode) //} client := &http.Client{} req, err := http.NewRequest("GET", url, nil) if err != nil { fmt.Printf("get url:%s error",url ) return nil,fmt.Errorf("get url:%d error",url) } req.Header.Set("User-Agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_13_6) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/71.0.3578.98 Safari/537.36") resp, err := client.Do(req) if err != nil { //log.Fatalln(err) fmt.Printf("get url:%s error",url ) return nil,fmt.Errorf("get url:%d error",url) } defer resp.Body.Close() bodyReader:= bufio.NewReader(resp.Body) e:= determineEncoding(bodyReader) utf8reader:= transform.NewReader(bodyReader,e.NewDecoder()) return ioutil.ReadAll(utf8reader) } func determineEncoding(r *bufio.Reader) encoding.Encoding{ bytes,err := bufio.NewReader(r).Peek(1024) if err !=nil{ log.Printf("Fetcher error:%v",err) return unicode.UTF8 } e,_,_:= charset.DetermineEncoding(bytes,"") return e } /* end Fetch.go*/ /* start Type.go*/ type Request struct{ Url string ParserFunc func([]byte) ParseResult } type ParseResult struct{ Requests []Request Items []Item } type Item struct{ Url string Id string Type string Payload interface{} } func NilParser([]byte) ParseResult{ return ParseResult{} } /* end Type.go*/ /* start parser/city.go 爬取城市下每一个用户和网址*/ var cityRe = regexp.MustCompile(`<a href="(http://album.zhenai.com/u/[\d]+)" target="_blank">([^<]+)</a>`) var cityUrlRe = regexp.MustCompile(`<a href="(http://www.zhenai.com/zhenghun/[^"]+)"`) func ParseCity(contents []byte) ParseResult{ matches:= cityRe.FindAllSubmatch(contents,-1) result := ParseResult{} for _,m:= range matches{ url:=string(m[1]) name:=string(m[2]) //println(string(m[1])) //不用用户名了 //result.Items = append(result.Items,"User:"+string(m[2])) result.Requests = append(result.Requests,Request{ Url:string(m[1]), ParserFunc:func(c []byte) ParseResult{ return PaesrProfile( c,url,name) }, }) } //查找城市页面下的城市链接 matches= cityUrlRe.FindAllSubmatch(contents,-1) for _,m:= range matches{ result.Requests = append(result.Requests,Request{ Url:string(m[1]), ParserFunc:ParseCity, }) } return result } /* end parser/city.go */ /* start parser/citylist.go */ const cityListRe = `(http://www.zhenai.com/zhenghun/[0-9a-z]+)"[^>]*>([^<]+)</a>` func ParseCityList(contents []byte) ParseResult{ re:=regexp.MustCompile(cityListRe) matches:= re.FindAllSubmatch(contents,-1) result:=ParseResult{} for _,m :=range matches{ //result.Items = append(result.Items,string(m[2])) result.Requests = append( result.Requests,Request{ Url:string(m[1]), ParserFunc:ParseCity, }) } return result } /* end parser/citylist.go */ /* start profile.go */ type Profile struct { Name string Age int Marry string Constellation string Height int Weight int Salary string } func (p Profile) String() string{ return p.Name +" " + p.Marry + strconv.Itoa(p.Age) +"olds "+ strconv.Itoa(p.Height) + "cm " + strconv.Itoa(p.Weight)+ "kg " } /* end profile.go */ /* start parser/profile.go */ var ageRe = regexp.MustCompile(`<div class="m-btn purple" data-v-bff6f798>([\d]+)岁</div>`) var marry = regexp.MustCompile(`<div class="m-btn purple" data-v-bff6f798>(已婚)</div>`) var constellation = regexp.MustCompile(`<div class="m-btn purple" data-v-bff6f798>(天秤座)</div>`) var height =regexp.MustCompile(`<div class="m-btn purple" data-v-bff6f798>([\d]+)cm</div>`) var weight =regexp.MustCompile(`<div class="m-btn purple" data-v-bff6f798>([\d]+)kg</div>`) var salary = regexp.MustCompile(`<div class="m-btn purple" data-v-bff6f798>月收入:([^<]+)</div>`) var idRe = regexp.MustCompile(`http://album.zhenai.com/u/([\d]+)`) //解析器 解析用户 //name为上一级传递过来的 func PaesrProfile(contents []byte,url string,name string) ParseResult{ //ioutil.WriteFile("test.html",contents,0x777) //用户结构体 profile:=Profile{} profile.Name = name //年龄 string转换为int age,err:= strconv.Atoi(extractString(contents,ageRe)) if err==nil{ profile.Age = age } //身高 height,err:= strconv.Atoi(extractString(contents,height)) if err==nil{ profile.Height = height } //体重 weight,err:= strconv.Atoi(extractString(contents,weight)) if err==nil{ profile.Weight = weight } //薪水 profile.Salary = extractString(contents,salary) //星座 profile.Constellation = extractString(contents,constellation) if extractString(contents,marry)== ""{ profile.Marry ="未婚" }else{ profile.Marry ="已婚" } result:=ParseResult{ Items:[]Item{ { Url:url, Type:"zhenai", Id:extractString([]byte(url),idRe), Payload:profile, }, }, } return result } //封装 正则表达式匹配 func extractString(contents []byte,re *regexp.Regexp) string{ match:=re.FindSubmatch(contents) if len(match)>=2{ return string(match[1]) }else{ return "" } } /* end parser/profile.go */ /* start engine.go 单任务版引擎*/ func Run(seeds ...Request){ var requests []Request for _,r := range seeds{ requests = append(requests,r) } for len(requests) >0{ r:=requests[0] requests = requests[1:] //fmt.Printf("Fetching %s",r.Url) body,err:= Fetch(r.Url) if err!=nil{ log.Printf("Fetcher:error "+ "fetching url %s, : %v",r.Url,err) continue } parseResult:= r.ParserFunc(body) requests = append(requests,parseResult.Requests...) for _,item:= range parseResult.Items{ fmt.Printf("Got item %s\n",item) } } } //具体的工作 传递一个request,通过解析器对url进行解析 func worker(r Request)(ParseResult,error){ body,err:= Fetch(r.Url) if err!=nil{ log.Printf("Fetcher:error "+ "fetching url %s, : %v",r.Url,err) return ParseResult{},err } return r.ParserFunc(body),nil } /* start itemchan.go 存储服务器*/ func ItemSaver() (chan Item,error){ client,err := elastic.NewClient( elastic.SetSniff(false)) if err !=nil{ return nil ,err } out:=make(chan Item) go func(){ itemCount:=0 for{ item:=<-out //fmt.Printf("Item Saver: error saveing item %d,%v",itemCount,item) log.Printf("Item Saversaveing item %d,%v",itemCount,item) itemCount++ //存储到elastiicsearch err:= Save(client,item) if err!=nil{ log.Print("Item Saver: error" + "saveing item %v,%v",item,err) } } }() return out,nil } func Save(client * elastic.Client,item Item) error{ indexServer:= client.Index().Index("dating_profile").Type(item.Type).BodyJson(item) if item.Id!=""{ indexServer.Id(item.Id) } _,err := indexServer.Do(context.Background()) if err !=nil{ panic(err) } return nil } /* start itemchan.go 存储服务器*/ // 并发版爬虫引擎 包含了调度器 与 工人数 type ConcurrentEngine struct{ Scheduler Scheduler WorkerCount int //增加存储通道,有item需要存储,即发送消息到此通道,触发存储操作。 ItemChan chan Item } //调度器是一个接口,扩展性 type Scheduler interface { //提交Request进行执行 Submit(Request) WorkerChan() chan Request WorkerReady(chan Request) Run() } //并发版爬虫引擎 func (e *ConcurrentEngine) Run(seeds ...Request){ out:= make(chan ParseResult) //配置调度器通道 e.Scheduler.Run() //开启WorkerCount个工作 for i:=0;i<e.WorkerCount;i++{ createWorker(e.Scheduler.WorkerChan(),out,e.Scheduler) } //种子首先运行 for _,r:=range seeds{ e.Scheduler.Submit(r) } for{ //out等待接受ParseResult result:=<-out //打印出接收到的数据,以及个数。 for _,item:= range result.Items{ go func(){e.ItemChan <-item}() } //分配任务 for _,request:= range result.Requests{ if isDuplicate(request.Url){ continue } e.Scheduler.Submit(request) } } } //存储URL、实行去掉重复URL的操作 var URLstore = make(map[string]bool) func isDuplicate(url string) bool{ if URLstore[url]{ return true } URLstore[url] = true return false } //工作函数,逻辑是 in通道接收到request,即会调用worker函数爬每一个request中的网址,用对应的解析器。 解析完成后,将ParseResult返回给通道out func createWorker(in chan Request,out chan ParseResult,s Scheduler) { go func(){ for{ //传递到调度器,提示可以开始工作 s.WorkerReady(in) //有任务到工作中 request := <-in //开始工作 result,err:= worker(request) if err!=nil{ continue } //工作结果返回 out <-result } }() } /* end engine.go */ /* start scheduler.go 简单版调度器,用于分配工作任务 */ type SimpleScheduler struct{ //通道 workerChan chan Request } func (s *SimpleScheduler) WorkerChan() chan Request { return s.workerChan } func (s *SimpleScheduler) WorkerReady(chan Request) { } func (s *SimpleScheduler) Run() { s.workerChan = make(chan Request) } func ( s *SimpleScheduler) Submit( r Request) { //为了防止死锁,在调度器中建立 go 的协程 分配任务到通道中。 go func(){s.workerChan <- r}() } /* end scheduler.go */ /* start Queuescheduler.go 队列调度器,用于分配工作任务 */ type QueuedScheduler struct { requestChan chan Request workerChan chan chan Request } func (s *QueuedScheduler) WorkerChan() chan Request { return make(chan Request) } //提交任务到通道,说明需要完成任务 func (s *QueuedScheduler) Submit(r Request) { s.requestChan <-r } //提交工作到通道,说明准备好工作了 func (s *QueuedScheduler) WorkerReady(w chan Request){ s.workerChan <- w } func (s * QueuedScheduler) Run(){ s.workerChan =make(chan chan Request) s.requestChan = make(chan Request) go func(){ //任务队列 var requestQ []Request //工作队列 var workQ []chan Request for{ var activeRequest Request var activework chan Request //即有工作又有任务,开始工作 if len(requestQ)>0 && len(workQ) >0{ activework = workQ[0] activeRequest = requestQ[0] } select { //任务增加,添加到队列中 case r:=<-s.requestChan: requestQ = append(requestQ,r) //工作增加,添加到队列中 case w:= <-s.workerChan: workQ = append(workQ,w) //有工作又有任务,让工作去做任务 case activework <- activeRequest: workQ = workQ[1:] requestQ=requestQ[1:] } } }() } //分布式存储服务器 func ItemSaver2(host string) (chan Item,error){ client,err:=Newclient(host) out:=make(chan Item) if err !=nil{ return nil,err } go func(){ itemCount:=0 for{ item:=<-out //fmt.Printf("Item Saver: error saveing item %d,%v",itemCount,item) log.Printf("Item Saversaveing item %d,%v",itemCount,item) itemCount++ result:="" //Call RPC to save item client.Call("ItemSaverService.Save",item,&result) if err!=nil{ log.Print("Item Saver: error" + "saveing item %v,%v",item,err) } } }() return out,nil } //抽象出的jsonrpc server func ServerRpc(host string,service interface{}) error{ rpc.Register(service) listener,err:=net.Listen("tcp",host) if err!=nil{ return err } for{ conn,err:=listener.Accept() if err!=nil{ log.Printf("accept error:%v",err) continue } go jsonrpc.ServeConn(conn) } return nil } //抽象出的jsonrpc client func Newclient(host string)(*rpc.Client,error){ conn,err:=net.Dial("tcp",host) if err!=nil{ return nil,err } client:= jsonrpc.NewClient(conn) return client,nil } type ItemSaverService struct{ Client *elastic.Client } func (s*ItemSaverService) Save(item Item,result*string) error{ err:= Save(s.Client,item) log.Printf("Item %v saved.",item) if err==nil{ *result = "ok" }else{ log.Printf("Error save Item %v %v.",item,err) } return err } /* end Queuescheduler.go 队列调度器,用于分配工作任务 */ func main(){ //并发版爬虫+ itemchan,err := ItemSaver2(":1234") if err!=nil{ log.Panic(err) } e:= ConcurrentEngine{ Scheduler:&QueuedScheduler{}, WorkerCount:100, //增加存储通道 ItemChan:itemchan, } e.Run(Request{ Url:"http://www.zhenai.com/zhenghun", ParserFunc:ParseCityList, }) //并发调度版爬虫 //e:= ConcurrentEngine{ // Scheduler:&QueuedScheduler{}, // WorkerCount:100, //} // //e.Run(Request{ // Url:"http://www.zhenai.com/zhenghun", // ParserFunc:ParseCityList, //}) // ////并发版爬虫 //e:= ConcurrentEngine{ // Scheduler:&SimpleScheduler{}, // WorkerCount:100, //} // //e.Run(Request{ // Url:"http://www.zhenai.com/zhenghun", // ParserFunc:ParseCityList, //}) //单任务版爬虫 //Run(Request{ // Url:"http://www.zhenai.com/zhenghun", // ParserFunc:ParseCityList, //}) //paseTest() }
RPC服务器
func main() { client, err := elastic.NewClient(elastic.SetSniff(false)) if err != nil { panic(err) } ServerRpc(":1234", &ItemSaverService{ Client: client, }) }
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- python爬虫 | 一文搞懂分布式进程爬虫
- 装个虚拟机,然后拿来玩爬虫!也是极好的!Scrapy分布式爬虫!
- 分布式爬虫对新站的协助
- 分布式通用爬虫框架Crawlab
- 如何构建一个分布式爬虫:基础篇
- 基于redis的分布式爬虫实现方案
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。
Python机器学习
[美] Michael Bowles / 沙嬴、李鹏 / 人民邮电出版社 / 2016-12 / 69.00元
在学习和研究机器学习的时候,面临令人眼花缭乱的算法,机器学习新手往往会不知 所措。本书从算法和Python 语言实现的角度,帮助读者认识机器学习。 书专注于两类核心的“算法族”,即惩罚线性回归和集成方法,并通过代码实例来 展示所讨论的算法的使用原则。全书共分为7 章,详细讨论了预测模型的两类核心算法、预测模型的构建、惩罚线性回归和集成方法的具体应用和实现。 本书主要针对想提......一起来看看 《Python机器学习》 这本书的介绍吧!