Golang并发爬虫技巧与数据采集方法

使用goroutine和channel实现并发爬虫，通过worker池控制协程数量，避免资源耗尽；结合信号量或缓冲channel限制并发请求，防止被封IP；利用goquery或xpath解析HTML，结构化数据后通过channel安全传递至存储协程；定义统一数据结构，集中写入数据库或文件；加入随机延时、UA轮换、代理池及超时控制，提升稳定性与反反爬能力。

用Golang写并发爬虫，核心是利用goroutine和channel控制请求并发、解析数据并安全存储。关键是避免过多goroutine导致系统资源耗尽，同时保证数据不丢失或重复处理。

1. 使用goroutine实现并发抓取

每个URL可以交给一个独立的goroutine去获取内容，这样能显著提升抓取速度。但不能无限制开启goroutine，建议使用带缓冲的worker池模式。

示例思路：

• 创建固定数量的工作协程（如10个），从任务channel中读取待抓取的URL
• 使用net/http发送GET请求获取页面内容
• 将响应结果传给后续处理管道

代码片段示意：

for i := 0; i < workerNum; i++ {
    go func() {
        for url := range taskCh {
            resp, err := http.Get(url)
            if err != nil {
                log.Printf("Failed to fetch %s: %v", url, err)
                continue
            }
            body, _ := io.ReadAll(resp.Body)
            resultCh <- ParseData(body) // 解析后发送到结果通道
            resp.Body.Close()
        }
    }()
}

2. 控制并发数与防止被封IP

高并发容易触发网站反爬机制。合理控制频率和连接数很重要。

• 使用semaphore（信号量）或带缓存的channel限制同时运行的goroutine数量
• 在每次请求前加入随机延时：time.Sleep(time.Duration(rand.Intn(500)) * time.Millisecond)
• 设置合理的User-Agent，甚至轮换多个UA字符串
• 考虑使用代理池应对IP封锁问题

3. 数据解析与结构化存储

抓取到HTML后需要提取有效信息。常用库有：

• goquery：类似jQuery语法，适合解析HTML结构
• xpath（通过antchfx/xpath库）：精准定位节点
• 正则表达式：适用于简单文本匹配

提取后的数据建议定义结构体统一格式：

type Item struct {
    Title   string
    URL     string
    Summary string
}

然后通过channel发送到存储协程，集中写入文件、数据库或消息队列。

4. 安全传递数据与错误处理

多goroutine环境下，共享变量需加锁或通过channel通信。推荐使用channel传递结果。

• 定义resultCh chan Item接收解析后的数据
• 单独启动一个goroutine负责写入MySQL、MongoDB或JSON文件
• 对网络异常、超时、解析失败等情况做recover和日志记录
• 可结合context.WithTimeout防止请求卡死

基本上就这些。合理设计任务分发、并发控制和数据流，Golang的并发模型能让爬虫高效稳定运行。不复杂但容易忽略细节，比如关闭resp.Body或漏掉error判断，都会影响长期运行效果。