//主页解析
func (self *Www79xsComProcessor) mainParse(p *robot.Page) {
//开始解析页面
query := p.GetHtmlParser()
query.Find(".subnav ul li a").Each(func(i int, s *goquery.Selection) {
addr, _ := s.Attr("href")
if addr == utils.GirlUrl {
p.AddTargetRequest(utils.InitRequest(utils.BaseUrl+addr, map[string]string{"first": utils.GIRL}, self.urlListParse))
} else {
p.AddTargetRequest(utils.InitRequest(utils.BaseUrl+addr, map[string]string{"first": utils.BOY}, self.urlListParse))
}
})
}
func main() {
start_url := utils.BaseUrl
//加载配置文件
settings := utils.LoadConf("conf/spider.conf")
//获取数据库连接信息
dbinfo, ok := settings["DBINFO"]
if !ok {
log.Fatalf("please insert dbinfo in spider.conf")
}
//爬虫初始化
options := robot.SpiderOptions{
TaskName: "79xs",
PageProcesser: process.NewWww79xsComProcessor(),
Downloader: downloader.NewHttpDownloader("text/html; charset=gb2312"),
Scheduler: scheduler.NewQueueScheduler(false),
Pipelines: []robot.Pipeline{pipeline.NewPipelineMySQL(dbinfo)},
//设置资源管理器，资源池容量为100
ResourceManage: resource.NewSpidersPool(100, nil),
}
sp := robot.NewSpider(options)
//增加根url
sp.AddRequest(utils.InitRequest(start_url, nil, nil))
go sp.Run()
<-utils.Stop
sp.Close()
}
//获取分类页面的url list，并解析
func (self *Www79xsComProcessor) urlListParse(p *robot.Page) {
meta := p.GetRequest().GetMeta()
//开始解析页面
query := p.GetHtmlParser()
//获取尾页addr
lastaddr, ok := query.Find("tbody a").Last().Attr("href")
if ok {
//解析addr
kv := goutils.GetKVInRelaPath(lastaddr)
//url拼接
maxpage, _ := strconv.Atoi(kv["page"])
for i := 1; i <= maxpage; i++ {
page := strconv.Itoa(i)
p.AddTargetRequest(utils.InitRequest(
"http://www.79xs.com/Book/ShowBookList.aspx?tclassid="+kv["tclassid"]+"&page="+page,
meta.(map[string]string),
self.classParse))
}
} else {
p.AddTargetRequest(utils.InitRequest(p.GetRequest().GetUrl(), meta.(map[string]string), self.classParse))
}
}
//解析小说详情页
func (self *Www79xsComProcessor) introParse(p *robot.Page) {
meta := p.GetRequest().GetMeta().(map[string]string)
//开始解析页面
query := p.GetHtmlParser()
intro := query.Find("#info h3 p").Eq(1).Text()
img, _ := query.Find(".img img").Attr("src")
// 小说章节列表地址
chaptersource, _ := query.Find(".b1 a").Attr("href")
tmp := utils.MapCopy(meta)
tmp["introduction"] = intro
tmp["img"] = utils.BaseUrl + img
tmp["chaptersource"] = utils.BaseUrl + chaptersource
p.AddTargetRequest(utils.InitRequest(utils.BaseUrl+chaptersource, tmp, self.chaperParse))
}
//小说章节解析
func (self *Www79xsComProcessor) chaperParse(p *robot.Page) {
meta := p.GetRequest().GetMeta().(map[string]string)
//开始解析页面
query := p.GetHtmlParser()
query.Find(".insert_list li").Each(func(i int, s *goquery.Selection) {
tmp := utils.MapCopy(meta)
tmp["chapter"] = strconv.Itoa(i)
tmp["subtitle"] = s.Find("strong a").Text()
addr, _ := s.Find("strong a").Attr("href")
tmp["contenturl"] = p.GetRequest().GetBaseUrl() + addr
//检测contenturl, 如果数据库中存在，则跳过本次抓取，如果不存在则将url加入调度队列
//这个需求有时间再做
if len(tmp["subtitle"]) != 0 {
p.AddTargetRequest(utils.InitRequest(tmp["contenturl"], tmp, self.contentParse))
}
})
}
func main() {
spidername := "79xs"
start_url := utils.BaseUrl
//加载配置文件
settings := utils.LoadConf("conf/spider.conf")
//获取数据库连接信息
dbinfo, ok := settings["DBINFO"]
if !ok {
log.Fatalf("please insert dbinfo in spider.conf")
}
//爬虫初始化
options := robot.SpiderOptions{
TaskName: spidername,
PageProcesser: process.NewWww79xsComProcessor(),
Downloader: downloader.NewHttpDownloader("text/html; charset=gb2312"),
Scheduler: scheduler.NewMysqlScheduler(spidername, dbinfo),
//Scheduler: scheduler.NewQueueScheduler(false),
Pipelines: []robot.Pipeline{pipeline.NewPipelineMySQL(dbinfo)},
//设置资源管理器，资源池容量为100
ResourceManage: resource.NewSpidersPool(100, nil),
}
sp := robot.NewSpider(options)
init := false
for _, arg := range os.Args {
if arg == "--init" {
init = true
break
}
}
if init {
//增加根url
sp.AddRequest(utils.InitRequest(start_url, map[string]string{
"handler": "mainParse",
}))
log.Println("重新开始爬")
} else {
log.Println("继续爬")
}
go sp.Run()
<-utils.Stop
sp.Close()
}
//分类列表解析
func (self *Www79xsComProcessor) classParse(p *robot.Page) {
meta := p.GetRequest().GetMeta().(map[string]string)
//开始解析页面
query := p.GetHtmlParser()
query.Find("div .yl_nr_lt2 ul").Each(func(i int, s *goquery.Selection) {
//获取二级分类, 小说标题，作者
second := s.Find(".ynl2 a").Text()
title := s.Find(".ynl3 a").Eq(1).Text()
author := s.Find(".ynl6 a").Text()
novelsource := utils.BaseUrl + func() string {
addr, _ := s.Find(".ynl3 a").Eq(1).Attr("href")
return addr
}()
tmp := make(map[string]string)
tmp["first"] = meta["first"]
tmp["second"] = second
tmp["title"] = title
tmp["author"] = author
tmp["novelsource"] = novelsource
p.AddTargetRequest(utils.InitRequest(novelsource, tmp, self.introParse))
})
}