/
selavito.go
303 lines (247 loc) · 7.88 KB
/
selavito.go
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
package main
import (
"encoding/csv"
"encoding/json"
"errors"
"fmt"
"github.com/kulapard/selavito/Godeps/_workspace/src/github.com/PuerkitoBio/goquery"
"github.com/kulapard/selavito/Godeps/_workspace/src/github.com/fatih/color"
"github.com/kulapard/selavito/Godeps/_workspace/src/github.com/spf13/cobra"
"io"
"io/ioutil"
"log"
"net/http"
"os"
"strings"
"sync"
"time"
)
const BASE_URL string = "https://m.avito.ru"
var IPBanned error = errors.New("Ваш IP забанили!!")
var throttle <-chan time.Time
type Item struct {
header string
location string
url string
phone string
}
var (
DebugLogger *log.Logger
InfoLogger *log.Logger
ErrorLogger *log.Logger
)
func Debug(format string, v ...interface{}) {
DebugLogger.Println(color.GreenString(format, v...))
}
func Info(format string, v ...interface{}) {
InfoLogger.Println(color.YellowString(format, v...))
}
func Error(format string, v ...interface{}) {
ErrorLogger.Println(color.RedString(format, v...))
}
func InitLoggers(verbose bool) {
var infoHandle, errorHandle, debugHandle io.Writer
if verbose {
debugHandle = os.Stdout
} else {
debugHandle = ioutil.Discard
}
infoHandle = os.Stdout
errorHandle = os.Stderr
DebugLogger = log.New(debugHandle, "", 0)
InfoLogger = log.New(infoHandle, "", 0)
ErrorLogger = log.New(errorHandle, "", 0)
}
// Достаёт телефонный номер из JSON по заданному URL
func getPhone(phone_url, referer string) (string, error) {
Debug("Persing phone url: %s", phone_url)
client := &http.Client{}
req, err := http.NewRequest("GET", phone_url, nil)
req.Header.Add("referer", referer)
throttleWait()
res, err := client.Do(req)
if err != nil {
return "", err
}
defer res.Body.Close()
body, err := ioutil.ReadAll(res.Body)
if err != nil {
Error("%s", err.Error())
return "", err
}
if res.StatusCode == 403 {
return "", IPBanned
}
phone_data := make(map[string]string)
err = json.Unmarshal(body, &phone_data)
if err != nil {
Error("%s", err.Error())
return "", err
}
Debug("Phone number: %s", phone_data["phone"])
return phone_data["phone"], nil
}
func parseItem(item *Item, wg *sync.WaitGroup, items chan *Item) {
throttleWait()
doc, err := goquery.NewDocument(item.url)
if err != nil {
Error("%s", err.Error())
wg.Done()
return
}
item.location = doc.Find(".avito-address-text").First().Text()
item.location = strings.TrimSpace(item.location)
doc.Find(".action-show-number").Each(func(i int, s *goquery.Selection) {
phone_url, exists := s.Attr("href")
if exists {
Debug("Found phone url: %s", phone_url)
phone_url := strings.Join([]string{BASE_URL, phone_url, "?async"}, "")
item.phone, err = getPhone(phone_url, item.url)
if err != nil {
Error("%s", err.Error())
} else {
items <- item
}
}
})
wg.Done()
}
func saveToCSV(path_to_csvfile string, items chan *Item, wg *sync.WaitGroup) {
csvfile, err := os.Create(path_to_csvfile)
if err != nil {
Error("%s", err.Error())
return
}
defer csvfile.Close()
w := csv.NewWriter(csvfile)
for item := range items {
record := []string{item.header, item.location, item.phone, item.url}
if err := w.Write(record); err != nil {
Error("Не удалось записать в csv файл: %s", err)
}
}
// Write any buffered data to the underlying writer (standard output).
w.Flush()
if err := w.Error(); err != nil {
Error("%s", err.Error())
}
wg.Done()
}
func throttleSet(pause int64) {
Debug("Set throttle pause: %d ms", pause)
if pause > 0 {
throttle = time.Tick(time.Millisecond * time.Duration(pause))
}
}
func throttleWait() {
if throttle == nil {
Debug("Ignoring throttle")
return
}
Debug("Waiting throttle...")
<-throttle
Debug("Waiting throttle done")
}
func main() {
var query string
var location string
var category string
var path_to_csvfile string
var verbose bool
var max_items int64
var pause int64
var SelaAvitoCmd = &cobra.Command{
Use: "selavito",
Short: "Утилита для парсинга объявлений (вместе с телефонными номерами) с сайта avito.ru",
Example: "selavito -l moskva -q macbook --csv output.csv\niselavito -l sankt-peterburg -с rabota -q golang --csv output.csv",
Run: func(cmd *cobra.Command, args []string) {
InitLoggers(verbose)
if query == "" || path_to_csvfile == "" {
cmd.Help()
return
}
throttleSet(pause)
var page_url string
counter := max_items
items := make(chan *Item)
save_wg := new(sync.WaitGroup)
parse_wg := new(sync.WaitGroup)
save_wg.Add(1)
go saveToCSV(path_to_csvfile, items, save_wg)
if category == "" {
page_url = fmt.Sprintf("%s/%s?q=%s", BASE_URL, location, query)
} else {
page_url = fmt.Sprintf("%s/%s/%s?q=%s", BASE_URL, location, category, query)
}
items_done := 0
// max_items == 0 - без ограничения
for page_url != "" && (counter > 0 || max_items == 0) {
Info("Парсинг страницы: %s", page_url)
throttleWait()
doc, err := goquery.NewDocument(page_url)
if err != nil {
Error(err.Error())
break
}
next_page_url, exists := doc.Find(".page-next").Find("a").First().Attr("href")
if exists {
next_page_url = fmt.Sprintf("%s%s", BASE_URL, next_page_url)
Info("Следующая страница: %s", next_page_url)
}
items_category := doc.Find(".nav-helper-header").First().Text()
if items_category == "" {
Error("Неверный формат страницы! Скорее всего ваш IP забанили!")
break
}
items_count := doc.Find(".nav-helper-text").First().Text()
items_category = strings.TrimSpace(items_category)
items_count = strings.TrimSpace(items_count)
if items_done == 0 {
fmt.Println("Категория:", items_category)
fmt.Println("Найдено объявлений:", items_count)
} else {
fmt.Printf("Процесс выполнения: %d/%s\n", items_done, items_count)
}
doc.Find(".b-item").Each(func(i int, s *goquery.Selection) {
if counter > 0 {
item_url, exists := s.Find(".item-link").Attr("href")
if exists {
var item Item
item.header = s.Find(".header-text").First().Text()
item.location = s.Find(".info-location").First().Text()
item.url = fmt.Sprintf("%s%s", BASE_URL, item_url)
parse_wg.Add(1)
go parseItem(&item, parse_wg, items)
counter--
items_done++
Debug("%+v\n", item)
} else {
Error(".item-link not found")
}
}
})
page_url = next_page_url
}
// Дожидаемся завершения работы всех парсеров...
parse_wg.Wait()
// ...и только после закрываем канал
close(items)
// Ждём пока данные окончательно сохранятся
save_wg.Wait()
},
}
SelaAvitoCmd.Flags().StringVarP(&query, "query", "q", "", "Строка для поиска")
SelaAvitoCmd.Flags().StringVarP(&location, "location", "l", "rossiya",
"Фильтр по региону (примеры: moskva, moskovskaya_oblast, sankt-peterburg)")
SelaAvitoCmd.Flags().StringVarP(&category, "category", "c", "",
"Фильтр по категории (примеры: nedvizhimost, transport, rabota, rezume, vakansii)")
SelaAvitoCmd.Flags().StringVar(&path_to_csvfile, "csv", "",
"Путь к csv файлу для сохранения данных")
SelaAvitoCmd.Flags().BoolVarP(&verbose, "verbose", "v", false,
"Более подробный вывод в консоль")
SelaAvitoCmd.Flags().Int64VarP(&max_items, "max", "m", 1,
"Максимальное количество элементов для поиска (0 - без ограничения)")
SelaAvitoCmd.Flags().Int64VarP(&pause, "pause", "p", 0,
"Пауза между запросами (в микросекундах)")
SelaAvitoCmd.Execute()
}