Colly源码解析——框架

Colly是一个使用golang实现的数据抓取框架，我们可以使用它快速搭建类似网络爬虫这样的应用。本文我们将剖析其源码，以探析其中奥秘。（转载请指明出于breaksoftware的csdn博客）

Collector是Colly的核心结构体，其中包含了用户对框架行为的定义。一般情况下，我们可以使用NewCollector方法构建一个它的指针

// NewCollector creates a new Collector instance with default configuration
func NewCollector(options ...func(*Collector)) *Collector {c := &Collector{}c.Init()for _, f := range options {f(c)}c.parseSettingsFromEnv()return c
}

第4行调用了Init方法初始化了Collector的一些成员。然后遍历并调用不定长参数，这些参数都是函数类型——func(*Collector)。我们看个例子

	c := colly.NewCollector(// Visit only domains: coursera.org, www.coursera.orgcolly.AllowedDomains("coursera.org", "www.coursera.org"),// Cache responses to prevent multiple download of pages// even if the collector is restartedcolly.CacheDir("./coursera_cache"),)

AllowedDomains和CacheDir都返回一个匿名函数，其逻辑就是将Collector对象中对应的成员设置为指定的值

// AllowedDomains sets the domain whitelist used by the Collector.
func AllowedDomains(domains ...string) func(*Collector) {return func(c *Collector) {c.AllowedDomains = domains}
}

Collector中绝大部分成员均有对应的方法，而且它们的名称（函数名和成员名）也一致。但是其中只有3个方法——ParseHTTPErrorResponse、AllowURLRevisit和IgnoreRobotsTxt比较特殊，因为它们没有参数。如果被调用，则对应的Collector成员会被设置为true

// AllowURLRevisit instructs the Collector to allow multiple downloads of the same URL
func AllowURLRevisit() func(*Collector) {return func(c *Collector) {c.AllowURLRevisit = true}
}

再回到NewCollector函数，其最后一个逻辑是调用parseSettingsFromEnv方法。从名称我们可以看出它是用于解析环境变量的。将它放在最后是可以理解的，因为后面执行的逻辑可以覆盖前面的逻辑。这样我们可以让环境变量对应的设置生效。

func (c *Collector) parseSettingsFromEnv() {for _, e := range os.Environ() {if !strings.HasPrefix(e, "COLLY_") {continue}pair := strings.SplitN(e[6:], "=", 2)if f, ok := envMap[pair[0]]; ok {f(c, pair[1])} else {log.Println("Unknown environment variable:", pair[0])}}
}

它从os.Environ()中获取系统环境变量，然后遍历它们。对于以COLLY_开头的变量，找到其在envMap中的对应方法，并调用之以覆盖之前设置的Collector成员变量值。envMap是一个<string,func>的映射，它是包内全局的。

var envMap = map[string]func(*Collector, string){"ALLOWED_DOMAINS": func(c *Collector, val string) {c.AllowedDomains = strings.Split(val, ",")},"CACHE_DIR": func(c *Collector, val string) {c.CacheDir = val},
……

初始化完Collector，我们就可以让其发送请求。目前Colly公开了5个方法，其中3个是和Post相关的：Post、PostRaw和PostMultipart。一个Get请求方法：Visit。以及一个用户可以高度定制的方法：Request。这些方法底层都调用了scrape方法。比如Visit的实现是

func (c *Collector) Visit(URL string) error {return c.scrape(URL, "GET", 1, nil, nil, nil, true)
}

scrape

scrape方法是需要我们展开分析的。因为它是Colly库中两个最重要的方法之一。

// scrape method
func (c *Collector) scrape(u, method string, depth int, requestData io.Reader, ctx *Context, hdr http.Header, checkRevisit bool) error {if err := c.requestCheck(u, method, depth, checkRevisit); err != nil {return err}

首先requestCheck方法检测一些和递归深度以及URL相关的信息

func (c *Collector) requestCheck(u, method string, depth int, checkRevisit bool) error {if u == "" {return ErrMissingURL}if c.MaxDepth > 0 && c.MaxDepth < depth {return ErrMaxDepth}

Collector的MaxDepth默认设置为0，即不用比较深度。如果它被设置值，则递归深度不可以超过它。

然后检测URL是否在被禁止的URL过滤器中。如果在，则返回错误。

	if len(c.DisallowedURLFilters) > 0 {if isMatchingFilter(c.DisallowedURLFilters, []byte(u)) {return ErrForbiddenURL}}

之后检测URL是否在准入的URL过滤器中。如果不在，则返回错误

	if len(c.URLFilters) > 0 {if !isMatchingFilter(c.URLFilters, []byte(u)) {return ErrNoURLFiltersMatch}}

最后针对GET请求，检查其是否被请求过。

	if checkRevisit && !c.AllowURLRevisit && method == "GET" {h := fnv.New64a()h.Write([]byte(u))uHash := h.Sum64()visited, err := c.store.IsVisited(uHash)if err != nil {return err}if visited {return ErrAlreadyVisited}return c.store.Visited(uHash)}return nil
}

通过这些检测后，scrape会对URL组成进行分析补齐

// scrape methodparsedURL, err := url.Parse(u)if err != nil {return err}if parsedURL.Scheme == "" {parsedURL.Scheme = "http"}

然后针对host进行精确匹配（在requestCheck中，是对URL使用正则进行匹配）。先检测host是否在被禁止的列表中，然后检测其是否在准入的列表中。

// scrape methodif !c.isDomainAllowed(parsedURL.Host) {return ErrForbiddenDomain}

func (c *Collector) isDomainAllowed(domain string) bool {for _, d2 := range c.DisallowedDomains {if d2 == domain {return false}}if c.AllowedDomains == nil || len(c.AllowedDomains) == 0 {return true}for _, d2 := range c.AllowedDomains {if d2 == domain {return true}}return false
}

通过上面检测，还需要检查是否需要遵从Robots协议

// scrape methodif !c.IgnoreRobotsTxt {if err = c.checkRobots(parsedURL); err != nil {return err}}

所有检测通过后，就需要填充请求了

// scrape methodif hdr == nil {hdr = http.Header{"User-Agent": []string{c.UserAgent}}}rc, ok := requestData.(io.ReadCloser)if !ok && requestData != nil {rc = ioutil.NopCloser(requestData)}req := &http.Request{Method:     method,URL:        parsedURL,Proto:      "HTTP/1.1",ProtoMajor: 1,ProtoMinor: 1,Header:     hdr,Body:       rc,Host:       parsedURL.Host,}setRequestBody(req, requestData)

第5~8行，使用类型断言等方法，将请求的数据（requestData）转换成io.ReadCloser接口数据。setRequestBody方法则是根据数据（requestData）的原始类型，设置Request结构中的GetBody方法

func setRequestBody(req *http.Request, body io.Reader) {if body != nil {switch v := body.(type) {case *bytes.Buffer:req.ContentLength = int64(v.Len())buf := v.Bytes()req.GetBody = func() (io.ReadCloser, error) {r := bytes.NewReader(buf)return ioutil.NopCloser(r), nil}case *bytes.Reader:req.ContentLength = int64(v.Len())snapshot := *vreq.GetBody = func() (io.ReadCloser, error) {r := snapshotreturn ioutil.NopCloser(&r), nil}case *strings.Reader:req.ContentLength = int64(v.Len())snapshot := *vreq.GetBody = func() (io.ReadCloser, error) {r := snapshotreturn ioutil.NopCloser(&r), nil}}if req.GetBody != nil && req.ContentLength == 0 {req.Body = http.NoBodyreq.GetBody = func() (io.ReadCloser, error) { return http.NoBody, nil }}}
}

这种抽象方式，使得不同类型的requestData都可以通过统一的GetBody方法获取内容。目前Colly中发送数据有3种复合结构，分别是：map[string]string、requestData []byte和map[string][]byte。对于普通的Post传送map[string]string数据，Colly会使用createFormReader方法将其转换成Reader结构指针

func createFormReader(data map[string]string) io.Reader {form := url.Values{}for k, v := range data {form.Add(k, v)}return strings.NewReader(form.Encode())
}

如果是一个二进制切片，则使用bytes.NewReader直接将其转换为Reader结构指针

如果是map[string][]byte，则是Post数据的Multipart结构，使用createMultipartReader方法将其转换成Buffer结构指针。

func createMultipartReader(boundary string, data map[string][]byte) io.Reader {dashBoundary := "--" + boundarybody := []byte{}buffer := bytes.NewBuffer(body)buffer.WriteString("Content-type: multipart/form-data; boundary=" + boundary + "\n\n")for contentType, content := range data {buffer.WriteString(dashBoundary + "\n")buffer.WriteString("Content-Disposition: form-data; name=" + contentType + "\n")buffer.WriteString(fmt.Sprintf("Content-Length: %d \n\n", len(content)))buffer.Write(content)buffer.WriteString("\n")}buffer.WriteString(dashBoundary + "--\n\n")return buffer
}

回到scrape方法中，数据准备结束，开始正式获取数据

// scrape methodu = parsedURL.String()c.wg.Add(1)if c.Async {go c.fetch(u, method, depth, requestData, ctx, hdr, req)return nil}return c.fetch(u, method, depth, requestData, ctx, hdr, req)
}

通过第4行我们可以看到，可以通过Async参数决定是否异步的获取数据。

fetch

在解析fetch方法前，我们要先介绍Collector的几个回调函数

	htmlCallbacks     []*htmlCallbackContainerxmlCallbacks      []*xmlCallbackContainerrequestCallbacks  []RequestCallbackresponseCallbacks []ResponseCallbackerrorCallbacks    []ErrorCallbackscrapedCallbacks  []ScrapedCallback

以requestCallbacks为例，Colly提供了OnRequest方法用于注册回调。由于这些回调函数通过切片保存，所以可以多次调用注册方法。（即不是覆盖之前的注册回调）

// OnRequest registers a function. Function will be executed on every
// request made by the Collector
func (c *Collector) OnRequest(f RequestCallback) {c.lock.Lock()if c.requestCallbacks == nil {c.requestCallbacks = make([]RequestCallback, 0, 4)}c.requestCallbacks = append(c.requestCallbacks, f)c.lock.Unlock()
}

用户则可以使用下面方法进行注册

	// Before making a request print "Visiting ..."c.OnRequest(func(r *colly.Request) {fmt.Println("Visiting", r.URL.String())})

这些回调会被在handleOnXXXX类型的函数中被调用。调用的顺序和注册的顺序一致。

func (c *Collector) handleOnResponse(r *Response) {if c.debugger != nil {c.debugger.Event(createEvent("response", r.Request.ID, c.ID, map[string]string{"url":    r.Request.URL.String(),"status": http.StatusText(r.StatusCode),}))}for _, f := range c.responseCallbacks {f(r)}
}

每次调用fetch方法都会构建一个全新Request结构。

// fetch method
func (c *Collector) fetch(u, method string, depth int, requestData io.Reader, ctx *Context, hdr http.Header, req *http.Request) error {defer c.wg.Done()if ctx == nil {ctx = NewContext()}request := &Request{URL:       req.URL,Headers:   &req.Header,Ctx:       ctx,Depth:     depth,Method:    method,Body:      requestData,collector: c,ID:        atomic.AddUint32(&c.requestCount, 1),}

这儿注意一下3~5行ctx（上下文）的构建逻辑。如果传入的ctx为nil，则构建一个新的，否则使用老的。这就意味着Request结构体（以及之后出现的Response结构体）中的ctx可以是每次调用fetch时全新产生的，也可以是各个Request公用的。我们回溯下ctx的调用栈，发现只有func (c *Collector) Request(……)方法使用的不是nil

func (c *Collector) Request(method, URL string, requestData io.Reader, ctx *Context, hdr http.Header) error {return c.scrape(URL, method, 1, requestData, ctx, hdr, true)
}

这也就意味着，调用Visit、Post、PostRaw和PostMultipart方法在每次调用fetch时都会产生一个新的上下文。

由于Context存在被多个goroutine共享访问的可能性，所以其定义了读写锁进行保护

type Context struct {contextMap map[string]interface{}lock       *sync.RWMutex
}

再回到fetch方法。数据填充完毕后，就提供了一次给用户干预之后流程的机会

// fetch methodc.handleOnRequest(request)if request.abort {return nil}

之前我们讲解过，handleOnRequest调用的是用户通过OnRequest注册个所有回调函数。如果用户在该回调中调用了下面方法，则之后的流程都不走了。

// Abort cancels the HTTP request when called in an OnRequest callback
func (r *Request) Abort() {r.abort = true
}

如果用户没用终止执行，则开始发送请求

// fetch methodif method == "POST" && req.Header.Get("Content-Type") == "" {req.Header.Add("Content-Type", "application/x-www-form-urlencoded")}if req.Header.Get("Accept") == "" {req.Header.Set("Accept", "*/*")}origURL := req.URLresponse, err := c.backend.Cache(req, c.MaxBodySize, c.CacheDir)

对于这次请求，不管是否出错都会触发用户定义的Error回调

// fetch methodif err := c.handleOnError(response, err, request, ctx); err != nil {return err}

在handleOnError函数中，回调函数会接收到err原因，所以用户自定义的错误处理函数需要通过该值来做区分。

	for _, f := range c.errorCallbacks {f(response, err)}return err

正常请求后，fetch会使用ctx和修复后的request填充到response中

// fetch methodif req.URL != origURL {request.URL = req.URLrequest.Headers = &req.Header}if proxyURL, ok := req.Context().Value(ProxyURLKey).(string); ok {request.ProxyURL = proxyURL}atomic.AddUint32(&c.responseCount, 1)response.Ctx = ctxresponse.Request = requesterr = response.fixCharset(c.DetectCharset, request.ResponseCharacterEncoding)if err != nil {return err}

最后在一系列调用用户回调中结束fetch

// fetch methodc.handleOnResponse(response)err = c.handleOnHTML(response)if err != nil {c.handleOnError(response, err, request, ctx)}err = c.handleOnXML(response)if err != nil {c.handleOnError(response, err, request, ctx)}c.handleOnScraped(response)return err
}