之前找了有下web crawler的练习答案. 貌似中文的不多。另外golang.org自从在外面之后，帐前卒每次上都需要到那里都要花些功夫。国内的也有一个移植的（猛击这里）。
最近支付宝的页面也被爬虫爆出来了。不过这应该很久之前的事情了。因为看到了google的搜索，还有2012年8月份的。估计上支付宝那个shenghuo.alipay.com这个domain自从上线就没有加robots.txt. 有兴趣的可以在google上使用 site:shenghuo.alipay.com or 查看 shenghuo.alipay.com/robots.txt.
言归正传,golang的问题是这样的：
package main
import (
"fmt"
)
type Fetcher interface {
// Fetch 返回 URL 的 body 内容，并且将在这个页面上找到的 URL 放到一个 slice 中。
Fetch(url string) (body string,urls []string,err error)
}
// Crawl 使用 fetcher 从某个 URL 开始递归的爬取页面，直到达到最大深度。
func Crawl(url string,depth int,fetcher Fetcher) {
// TODO: 并行的抓取 URL。
// TODO: 不重复抓取页面。
// 下面并没有实现上面两种情况：
if depth <= 0 {
return
}
body,urls,err := fetcher.Fetch(url)
if err != nil {
fmt.Println(err)
return
}
fmt.Printf("found: %s %q\n",url,body)
for _,u := range urls {
Crawl(u,depth-1,fetcher)
}
return
}
func main() {
Crawl("http://golang.org/",4,fetcher)
}
// fakeFetcher 是返回若干结果的 Fetcher。
type fakeFetcher map[string]*fakeResult
type fakeResult struct {
body string
urls []string
}
func (f *fakeFetcher) Fetch(url string) (string,[]string,error) {
if res,ok := (*f)[url]; ok {
return res.body,res.urls,nil
}
return "",nil,fmt.Errorf("not found: %s",url)
}
// fetcher 是填充后的 fakeFetcher。
var fetcher = &fakeFetcher{
"http://golang.org/": &fakeResult{
"The Go Programming Language",[]string{
"http://golang.org/pkg/","http://golang.org/cmd/",},"http://golang.org/pkg/": &fakeResult{
"Packages",[]string{
"http://golang.org/","http://golang.org/pkg/fmt/","http://golang.org/pkg/os/","http://golang.org/pkg/fmt/": &fakeResult{
"Package fmt","http://golang.org/pkg/","http://golang.org/pkg/os/": &fakeResult{
"Package os",}
然后下面是 小卒的解答。最主要的是改写原来的函数。同步map,然后父节点应在全部子节点退出后再退出。用channel当banner派上用场。当然golang还提供了锁和其他的同步机制。不过 帐前 卒还是先用channel吧。另外最好先看看golang的memory model.
package main
import (
"fmt"
)
type Fetcher interface {
// Fetch 返回 URL 的 body 内容，并且将在这个页面上找到的 URL 放到一个 slice 中。
Fetch(url string) (body string,err error)
}
var lockx = make(chan int,1)
// 同步通信使用
func LockFun(f func()) {
lockx<-1
f()
<-lockx
}
var visited map[string]bool = make(map[string]bool)
// Crawl 使用 fetcher 从某个 URL 开始递归的爬取页面，直到达到最大深度。
func Crawl(url string,fetcher Fetcher,banner chan int) {
if depth <= 0 || visited[url] {
banner<-1
return
}
body,err := fetcher.Fetch(url)
LockFun(func(){
visited[url]=true
})
fmt.Printf("found: %s %q\n",body)
if err != nil {
fmt.Println(err)
banner<-1
return
}
subBanner := make(chan int,len(urls))
for _,u := range urls {
// 并行吧～～
go Crawl(u,fetcher,subBanner);
}
for i:=0; i < len(urls); i++ {
// subBanner用来防止退出
<-subBanner
}
// banner用于让父节点退出
banner<-1
return
}
func main() {
mainBanner := make(chan int,1)
Crawl("http://golang.org/",mainBanner)
<-mainBanner
}
// fakeFetcher 是返回若干结果的 Fetcher。
type fakeFetcher map[string]*fakeResult
type fakeResult struct {
body string
urls []string
}
func (f *fakeFetcher) Fetch(url string) (string,error) {
if res,ok := (*f)[url]; ok {
return res.body,nil
}
return "",url)
}
// fetcher 是填充后的 fakeFetcher。
var fetcher = &fakeFetcher{
"http://golang.org/": &fakeResult{
"The Go Programming Language",[]string{
"http://golang.org/pkg/","http://golang.org/pkg/": &fakeResult{
"Packages",[]string{
"http://golang.org/","http://golang.org/pkg/fmt/": &fakeResult{
"Package fmt","http://golang.org/pkg/os/": &fakeResult{
"Package os",}
觉得没有找到类似python的遍历list但是不需要获取值的方法例如 for _,_ := range urls {} 这样就是错误的。另外golang也不能加入不需要的包，变量。帐 前 卒觉得这点...太洁癖了。
暂时就这样吧。
原文链接：https://www.f2er.com/go/191404.html