go 语言爬虫库goQuery 的详细使用(知乎日报详情页解析示例)

本文主要是介绍go 语言爬虫库goQuery 的详细使用(知乎日报详情页解析示例),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

上一篇《uniapp小程序开发 | 从零实现一款影视类app 》实现了影视小程序的前端和后台接口,虽然包含了大多数小程序应有的知识,但基本还只是涉及网络接口和vue页面的设计。这里介绍下零一个有趣的练手项目,知乎日报。涉及详情页面的html解析,使用了golang的goquery三方库。

前言

知乎日报这个案例很经典,有比较完整的API,很值得模仿学习。 也很简单,唯一需要注意的是日报详情的设计,因为知乎日报的详情接口,竟返回的是html,这.....

上一篇《uniapp小程序开发 | 从零实现一款影视类app 》链接:uniapp小程序开发 | 从零实现一款影视类app (后台接口实现,go-zero微服务的使用)_uniapp开源影视app-CSDN博客

知乎日报API

启动界面图片

http://news-at.zhihu.com/api/4/start-image/{size}
参数说明
size图片尺寸,格式:宽*高。例如: 768*1024

获取刚进入应用时的显示封面,可以根据传递的尺寸参数来获取适配用户屏幕的封面。

获取最新日报

http://news-at.zhihu.com/api/4/news/latest

返回的数据用于日报的首页列表,首页的结构有上下部分,上部分是图片滑动模块,用于展示热门日报,下部分是首页日报列表,以上接口返回的数据有热门日报和首页日报

获取日报详细api

http://news-at.zhihu.com/api/4/news/{id}

或者直接解析详情页:

https://daily.zhihu.com/story/9773139
参数说明
id日报id

在点击日报列表也的日报项时,需要跳转到日报详情页展示日报的具体信息,这个接口用来获取日报的展示封面和具体内容。

历史日报

http://news.at.zhihu.com/api/4/news/before/{date}
参数说明
date年月日格式时间yyyyMMdd,例如:20150903、20161202

这个接口也是用与首页列表的日报展示,但是不同的是此接口需要传一个日期参数,如20150804格式。获取最新日报接口只能获取当天的日报列表,如果需要获取前天或者更久之前的日报,则需要这个接口单独获取。

日报额外信息

http://news-at.zhihu.com/api/4/story-extra/{id}

参数说明
id日报id

在日报详情页面中,不仅要展示日报的内容,好需要额外获取此日报的评论数目和推荐人数等额外信息。

日报长评

http://news-at.zhihu.com/api/4/story/{id}/long-comments

参数说明
id日报id

日报的评论页面展示长评用到的接口

日报短评

http://news-at.zhihu.com/api/4/story/{id}/short-comments

参数说明
id日报id

日报的评论页面展示段评用到的接口

主题日报栏目列表

http://news-at.zhihu.com/api/4/themes

主页的侧边栏显示有主题日报的列表,需要通过这个接口获取主题日报栏目列表

主题日报具体内容列表

http://news-at.zhihu.com/api/4/theme/{themeId}

参数说明
themeId主题日报栏目id

在主页侧栏点击主题日报进入主题日报的内容页,需要展示此主题日报下的日报列表。

goquery介绍

GoQuery是专为Go(Golang)语言设计的一个强大的HTML解析和查询库。它模仿了jQuery的API风格,使得在Go中处理HTML文档变得简单且直观。

GoQuery主要用于网页抓取(Web Scraping),能够通过CSS选择器来定位、遍历和操作HTML元素。你可以使用它来提取网页中的特定数据、修改DOM结构或进行其他与HTML文档相关的操作。

项目地址:GitHub - PuerkitoBio/goquery: A little like that j-thing, only in Go.

goquery使用

$ go get github.com/PuerkitoBio/goquery

简单示例

package mainimport ("fmt""log""github.com/PuerkitoBio/goquery"
)func main() {if err := run(); err != nil {log.Fatal(err)}
}func run() error {doc, err := goquery.NewDocument("http://example.com")if err != nil {return fmt.Errorf("failed to load document: %w", err)}doc.Find("a").Each(func(i int, s *goquery.Selection) {href, exists := s.Attr("href")if exists {fmt.Println(href)} else {fmt.Println(s.Text())}})return nil
}

知乎详情页解析

知乎日报详情页面:知乎日报 - 知乎 

 页面对应的html代码片段:

<html>
<body><p><strong>语言的疙瘩,就是思想上的疙瘩</strong></p><p>“靠嘴写作”的作家不少,王朔就是其一。去年他出了新书,受访时有个细节,说有段时间嗓子不舒服,便没写。乍一看挺蒙:如今写东西还得比吆喝了?</p>
<p>后来看了他的自序,才知道嗓子的用途。他是“拿口语写作的作者,检查文字也须拿口语来回溜,没磕啵儿,才觉得通顺”。</p><p>言下之意,<strong>朗读修改不只是勘误这么简单,本身就是创作方式。</strong>作家老舍将朗读文章比作拉胡琴定弦,声音不对马上调整,免得一音毁全曲。</p><blockquote>嘴里念,耳朵听,我们会立刻听出文字的毛病来:有的句子太长了,应当改短;有的句子念着绕嘴,必是音节或字眼安排得不对劲,要设法调换修正;有的句子意思好,可是念起来不嘹亮,不干脆,听着不起劲,这必是句子的结构还欠妥当,或某几个字不大现成,应当再加工。一个好句子念起来嘴舒服,耳朵舒服,心里也舒服。<br>——老舍</blockquote><p>叶圣陶说得更直接——<strong>“语言的任何疙瘩,也就是思想上的疙瘩。”</strong>我认为很对,句子写得弯弯绕,归根结底是没有想清楚重点,虽极力表达而不得要领,读之如堕云雾,这就不是改几个错别字那么简单了。</p><figure><img class="content-image" src="https://pic1.zhimg.com/v2-b74ec227f579df9b7e41fd42b02269ee_720w.jpg?source=8673f162" alt=""><figcaption>Photo by Thirdman</figcaption></figure><p><strong>行文优化三步走</strong></p><p>用好"朗读修改法"有很多角度和层次。从对象来说,可以自己读给自己听,自己读给别人听,或者别人读给自己听;从功能来看,能思考立意,检视材料,还能梳理逻辑……</p>
<p>不过,从效果上看,<strong>朗读还是最利于优化行文。</strong>汪曾祺曾说:"写小说就是写语言。"让朗读聚焦于语言自然更直接显著。由浅及深,我们可以通过“读”透三个层次来锤炼字句。</p><p><strong><strong>第一层:文病</strong></strong></p></body>
</html>

如何区分p标签和紧挨着的strong标签? 

区分<p>标签和紧挨着的<strong>标签,可以使用goquery的Each函数来逐个处理每个匹配的元素,并根据需要进行逻辑判断。以下是一个示例,演示如何区分和处理这两种标签:

package mainimport ("fmt""strings""github.com/PuerkitoBio/goquery"
)func main() {html := `<html><body><p><strong>语言的疙瘩,就是思想上的疙瘩</strong></p><p>“靠嘴写作”的作家不少,王朔就是其一。去年他出了新书,受访时有个细节,说有段时间嗓子不舒服,便没写。乍一看挺蒙:如今写东西还得比吆喝了?</p><p>后来看了他的自序,才知道嗓子的用途。他是“拿口语写作的作者,检查文字也须拿口语来回溜,没磕啵儿,才觉得通顺”。</p><p>言下之意,<strong>内容</strong></p></body></html>`doc, err := goquery.NewDocumentFromReader(strings.NewReader(html))if err != nil {fmt.Println("Error loading HTML:", err)return}var prevTag stringdoc.Find("p, strong").Each(func(i int, s *goquery.Selection) {tagName := s.Get(0).Dataif tagName == "p" {prevTag = "p"fmt.Println("p tag:", s.Text())} else if tagName == "strong" && prevTag == "p" {fmt.Println("strong tag:", s.Text())}})
}

在上面的代码中,定义一个prevTag变量来跟踪前一个处理过的标签,然后在Each函数中根据标签类型执行不同的操作。当遍历到<p>标签时,打印出其文本内容并将prevTag设置为"p",然后当遍历到紧挨着的<strong>标签时,检查前一个处理过的标签类型,如果是<p>,则打印出<strong>标签的内容。

完整解析代码:

func (l *ZhiDetailLogic) ZhiDetail(req *types.ZhiDetailReq) (resp *types.ZhiDetailResp, err error) {// todo: add your logic here and delete this lineurl := "https://daily.zhihu.com/story/" + req.Idres, err_ := httpc.Do(l.ctx, http.MethodGet, url, nil)if err_ != nil {l.Error(err_)return nil, err_}defer res.Body.Close()// Load the HTML documentdoc, err := goquery.NewDocumentFromReader(res.Body)if err != nil {l.Error(err)}//var zhi types.CtItemvar responseData []types.CtItemtitle := doc.Find(".DailyHeader-title").Text()image, _ := doc.Find(".DailyHeader-image").Find("img").Attr("src")author := ""avatar := ""bio := ""doc.Find(".meta").Each(func(i int, s *goquery.Selection) {author = s.Find("span[class=author]").Text()l.Debugf("author:", author)bio = s.Find("span[class=bio]").Text()avatar, _ = s.Find("img[class=avatar]").Attr("src")})// 遍历.content下的所有子节点doc.Find(".content *").Each(func(i int, s *goquery.Selection) {var itm types.CtItem// 判断节点类型并相应处理tagName := s.Get(0).DataAtom.String()switch tagName {case "p":// 在p内部查找strong标签strong := s.Find("strong")if strong.Length() == 1 {itm.Types = "strong"itm.Value = s.Text()responseData = append(responseData, itm)} else {itm.Types = "p"itm.Value = s.Text()responseData = append(responseData, itm)}case "li":itm.Types = "li"itm.Value = s.Text()responseData = append(responseData, itm)case "figure":// 在figure内部查找img标签img := s.Find("img")if img.Length() > 0 {src, _ := img.Attr("src")itm.Types = "img"itm.Value = srcresponseData = append(responseData, itm)}}})resp = &types.ZhiDetailResp{Code:    0,Message: res.Status,Content: responseData,Title:   title,Author:  author,Bio:     bio,Avatar:  avatar,Image:   image,}return
}

其他资源

go 语言爬虫库goquery的具体使用_Golang_脚本之家

goquery: 快速高效的HTML解析库-CSDN博客

Golang学习日志 ━━ goQuery 的使用-CSDN博客

https://www.51cto.com/article/785226.html

Go语言colly框架的快速入门_Golang_脚本之家

https://news-at.zhihu.com/api/7/news/9773139

go-zero超强工具goctl的常用命令api,rpc,model及其构建的服务解析-CSDN博客

go-zero 缩短从需求到上线的距离

GitHub - cwuom/MusicHelper: 一个通过Python编写的QQ、网易云音乐无损音乐爬取工具

https://www.cnblogs.com/oopsguy/p/5968447.html

GitHub - oopsguy/wechat-miniprogram-examples: WeChat mini program examples. 微信小程序示例 

这篇关于go 语言爬虫库goQuery 的详细使用(知乎日报详情页解析示例)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/1073789

相关文章

MySQL 8 中的一个强大功能 JSON_TABLE示例详解

《MySQL8中的一个强大功能JSON_TABLE示例详解》JSON_TABLE是MySQL8中引入的一个强大功能,它允许用户将JSON数据转换为关系表格式,从而可以更方便地在SQL查询中处理J... 目录基本语法示例示例查询解释应用场景不适用场景1. ‌jsON 数据结构过于复杂或动态变化‌2. ‌性能要

postgresql使用UUID函数的方法

《postgresql使用UUID函数的方法》本文给大家介绍postgresql使用UUID函数的方法,本文给大家介绍的非常详细,对大家的学习或工作具有一定的参考借鉴价值,需要的朋友参考下吧... 目录PostgreSQL有两种生成uuid的方法。可以先通过sql查看是否已安装扩展函数,和可以安装的扩展函数

Python实现MQTT通信的示例代码

《Python实现MQTT通信的示例代码》本文主要介绍了Python实现MQTT通信的示例代码,文中通过示例代码介绍的非常详细,对大家的学习或者工作具有一定的参考学习价值,需要的朋友们下面随着小编来一... 目录1. 安装paho-mqtt库‌2. 搭建MQTT代理服务器(Broker)‌‌3. pytho

SpringBoot改造MCP服务器的详细说明(StreamableHTTP 类型)

《SpringBoot改造MCP服务器的详细说明(StreamableHTTP类型)》本文介绍了SpringBoot如何实现MCPStreamableHTTP服务器,并且使用CherryStudio... 目录SpringBoot改造MCP服务器(StreamableHTTP)1 项目说明2 使用说明2.1

spring中的@MapperScan注解属性解析

《spring中的@MapperScan注解属性解析》@MapperScan是Spring集成MyBatis时自动扫描Mapper接口的注解,简化配置并支持多数据源,通过属性控制扫描路径和过滤条件,利... 目录一、核心功能与作用二、注解属性解析三、底层实现原理四、使用场景与最佳实践五、注意事项与常见问题六

Java中Arrays类和Collections类常用方法示例详解

《Java中Arrays类和Collections类常用方法示例详解》本文总结了Java中Arrays和Collections类的常用方法,涵盖数组填充、排序、搜索、复制、列表转换等操作,帮助开发者高... 目录Arrays.fill()相关用法Arrays.toString()Arrays.sort()A

如何使用Lombok进行spring 注入

《如何使用Lombok进行spring注入》本文介绍如何用Lombok简化Spring注入,推荐优先使用setter注入,通过注解自动生成getter/setter及构造器,减少冗余代码,提升开发效... Lombok为了开发环境简化代码,好处不用多说。spring 注入方式为2种,构造器注入和setter

MySQL中比较运算符的具体使用

《MySQL中比较运算符的具体使用》本文介绍了SQL中常用的符号类型和非符号类型运算符,符号类型运算符包括等于(=)、安全等于(=)、不等于(/!=)、大小比较(,=,,=)等,感兴趣的可以了解一下... 目录符号类型运算符1. 等于运算符=2. 安全等于运算符<=>3. 不等于运算符<>或!=4. 小于运

使用zip4j实现Java中的ZIP文件加密压缩的操作方法

《使用zip4j实现Java中的ZIP文件加密压缩的操作方法》本文介绍如何通过Maven集成zip4j1.3.2库创建带密码保护的ZIP文件,涵盖依赖配置、代码示例及加密原理,确保数据安全性,感兴趣的... 目录1. zip4j库介绍和版本1.1 zip4j库概述1.2 zip4j的版本演变1.3 zip4

Python 字典 (Dictionary)使用详解

《Python字典(Dictionary)使用详解》字典是python中最重要,最常用的数据结构之一,它提供了高效的键值对存储和查找能力,:本文主要介绍Python字典(Dictionary)... 目录字典1.基本特性2.创建字典3.访问元素4.修改字典5.删除元素6.字典遍历7.字典的高级特性默认字典