gocolly是Golang实现的网络爬虫框架，名列go版爬虫程序榜首。
安装
go get -u github.com/gocolly/colly/...
例子
import ( "fmt" "github.com/gocolly/colly")func main() { c := colly.NewCollector() c.OnResponse(func(r *colly.Response) { fmt.Println("IP:", string(r.Body)) }) //c.SetProxy("http://127.0.0.1:1080") c.Visit("http://ip.cip.cc/")}
SetProxy函数可以用来配置HTTP代理。
colly的主体是Collector对象，管理网络通信和负责在作业运行时执行附加的回掉函数。使用colly需要先初始化Collector：
c := colly.NewCollector()
vgo
vgo是Go语言推出的第三方库管理工具，在Go语言新版本中使用。
常用的命令行：
- go help mod 查看帮助。
- go mod init <项目模块名称>初始化模块，会在项目根目录下生成 go.mod 文件，是可以自己手动编辑的。
依赖包大多在Github上，安装依赖可能会出现连接超时等问题，可以配置全局git代理：
git config --global http.proxy http://127.0.0.1:1080git config --global https.proxy https://127.0.0.1:1080#取消代理：git config --global --unset http.proxygit config --global --unset https.proxy
cmd走shadowsocks代理：
set http_proxy=127.0.0.1:1080set https_proxy=127.0.0.1:1080curl cip.ccIP : 140.206.97.42地址 : 中国 上海数据二 : 上海市 | 联通URL : http://www.cip.cc/140.206.97.42
Linux使用export设置环境变量，代码同上。
回掉函数的调用顺序
1. OnRequest 在发起请求前被调用。
2. OnError 请求过程中如果发生错误被调用。
3. OnResponse 收到回复后被调用。
4. OnHTML 在OnResponse之后被调用，如果收到的内容是HTML 。
5. OnScraped 在OnHTML之后被调用。
官方提供的Basic示例代码：
package mainimport ( "fmt" "github.com/gocolly/colly")func main() { // Instantiate default collector c := colly.NewCollector( // Visit only domains: hackerspaces.org, wiki.hackerspaces.org colly.AllowedDomains("hackerspaces.org", "wiki.hackerspaces.org"), ) // On every a element which has href attribute call callback c.OnHTML("a[href]", func(e *colly.HTMLElement) { link := e.Attr("href") // Print link fmt.Printf("Link found: %q -> %s\n", e.Text, link) // Visit link found on page // Only those links are visited which are in AllowedDomains c.Visit(e.Request.AbsoluteURL(link)) }) // Before making a request print "Visiting ..." c.OnRequest(func(r *colly.Request) { fmt.Println("Visiting", r.URL.String()) }) // Start scraping on https://hackerspaces.org c.Visit("https://hackerspaces.org/")}
该实例程序仅访问hackerspaces.org域内的链接，OnHTML回掉函数的选择器为a[href]，选择页面内具有href属性的a类型元素，找到链接后继续抓取。 运行的部分结果如下：
Visiting https://hackerspaces.org/Link found: "navigation" -> #column-oneLink found: "search" -> #searchInputLink found: "" -> /File:Cbase07.jpgVisiting https://hackerspaces.org/File:Cbase07.jpgLink found: "navigation" -> #column-oneLink found: "search" -> #searchInputLink found: "File" -> #fileLink found: "File history" -> #filehistoryLink found: "File usage" -> #filelinksLink found: "" -> /images/e/ec/Cbase07.jpgVisiting https://hackerspaces.org/images/e/ec/Cbase07.jpgLink found: "800 × 600 pixels" -> /images/thumb/e/ec/Cbase07.jpg/800px-Cbase07.jpgVisiting https://hackerspaces.org/images/thumb/e/ec/Cbase07.jpg/800px-Cbase07.jpg