4

背景

上一篇文章Go 每日一库之 bubbletea我们介绍了炫酷的 TUI 程序框架 — bubbletea。最后实现了一个拉取 GitHub Trending 仓库,并显示在控制台的程序。由于 GitHub 没有提供官方的 Trending API,我们用goquery自己实现了一个。上篇文章由于篇幅关系zh,没有介绍如何实现。本文我整理了一下代码,并以单独的代码库形式开放出来。

先观察

首先,我们来观察一下 GitHub Trending 的结构:

左上角可以切换仓库(Repositories)和开发者(Developers)。右边可以选择语言(Spoken Language,本地语言,汉语、英文等)、语言(Language,编程语言,Golang、C++等)和时间范围(Date Range,支持 3 个维度,Today、This week、This month)。

然后下面是每个仓库的信息:

① 仓库作者和名字

② 仓库描述

③ 主要使用的编程语言(创建仓库时设置的),也可能没有

④ 星数

⑤ fork 数

⑥ 贡献者列表

⑦ 选定的时间范围内(Today、This week、This month)新增多少星数

开发者页面也是类似的,只不过信息少了很多:

① 作者信息

② 最火的仓库信息

注意到切换的开发者页面后,URL 变成为github.com/trending/developers。另外当我们选择本地语言为中文、开发语言为 Go 和时间范围为 Today 后,URL 变为https://github.com/trending/go?since=daily&spoken_language_code=zh,通过在 query-string 中增加相应的键值对表示这种选择。

准备

在 GitHub 上创建仓库ghtrending,clone 到本地,执行go mod init初始化:

$ go mod init github.com/darjun/ghtrending

然后执行go get下载goquery库:

$ go get github.com/PuerkitoBio/goquery

根据仓库和开发者的信息定义两个结构:

type Repository struct {
  Author  string
  Name    string
  Link    string
  Desc    string
  Lang    string
  Stars   int
  Forks   int
  Add     int
  BuiltBy []string
}

type Developer struct {
  Name        string
  Username    string
  PopularRepo string
  Desc        string
}

开爬

要想使用goquery获取相应的信息,我们首先要知道,对应的网页结构。按 F12 打开 chrome 开发者工具,选择Elements页签,即可看到网页结构:

使用左上角的按钮就可以很快速的查看网页上任何内容的结构,我们点击单个仓库条目:

右边Elements窗口显示每个仓库条目对应一个article元素:

可以使用标准库net/http获取整个网页的内容:

resp, err := http.Get("https://github.com/trending")

然后从resp对象中创建goquery文档结构:

doc, err := goquery.NewDocumentFromReader(resp.Body)

有了文档结构对象,我们可以调用其Find()方法,传入选择器,这里我选择.Box .Box-row.Box是整个列表div的 class,.Box-row是仓库条目的 class。这样的选择更精准。Find()方法返回一个*goquery.Selection对象,我们可以调用其Each()方法对每个条目进行解析。Each()接收一个func(int, *goquery.Selection)类型的函数,第二个参数即为每个仓库条目在 goquery 中的结构:

doc.Find(".Box .Box-row").Each(func(i int, s *goquery.Selection) {
})

接下来我们看看如何提取各个部分。在Elements窗口中移动,可以很直观的看到每个元素对应页面的哪个部分:

我们找到仓库名和作者对应的结构:

它被包在article元素下的h1元素下的a元素内,作者名在span元素内,仓库名直接在a下,另外仓库的 URL 链接是a元素的href属性。我们来获取它们:

titleSel := s.Find("h1 a")
repo.Author = strings.Trim(titleSel.Find("span").Text(), "/\n ")
repo.Name = strings.TrimSpace(titleSel.Contents().Last().Text())
relativeLink, _ := titleSel.Attr("href")
if len(relativeLink) > 0 {
  repo.Link = "https://github.com" + relativeLink
}

仓库描述在article元素内的p元素中:

repo.Desc = strings.TrimSpace(s.Find("p").Text())

编程语言,星数,fork 数,贡献者(BuiltBy)和新增星数都在article元素的最后一个div中。编程语言、BuiltBy和新增星数在span元素内,星数和 fork 数在a元素内。如果编程语言未设置,则少一个span元素:

var langIdx, addIdx, builtByIdx int
spanSel := s.Find("div>span")
if spanSel.Size() == 2 {
  // language not exist
  langIdx = -1
  addIdx = 1
} else {
  builtByIdx = 1
  addIdx = 2
}

// language
if langIdx >= 0 {
  repo.Lang = strings.TrimSpace(spanSel.Eq(langIdx).Text())
} else {
  repo.Lang = "unknown"
}

// add
addParts := strings.SplitN(strings.TrimSpace(spanSel.Eq(addIdx).Text()), " ", 2)
repo.Add, _ = strconv.Atoi(addParts[0])

// builtby
spanSel.Eq(builtByIdx).Find("a>img").Each(func(i int, img *goquery.Selection) {
  src, _ := img.Attr("src")
  repo.BuiltBy = append(repo.BuiltBy, src)
})

然后是星数和 fork 数:

aSel := s.Find("div>a")
starStr := strings.TrimSpace(aSel.Eq(-2).Text())
star, _ := strconv.Atoi(strings.Replace(starStr, ",", "", -1))
repo.Stars = star
forkStr := strings.TrimSpace(aSel.Eq(-1).Text())
fork, _ := strconv.Atoi(strings.Replace(forkStr, ",", "", -1))
repo.Forks = fork

Developers 也是类似的做法。这里就不赘述了。使用goquery有一点需要注意,因为网页层级结构比较复杂,我们使用选择器的时候尽量多限定一些元素、class,以确保找到的确实是我们想要的那个结构。另外网页上获取的内容有很多空格,需要使用strings.TrimSpace()移除。

接口设计

基本工作完成之后,我们来看看如何设计接口。我想提供一个类型和一个创建该类型对象的方法,然后调用对象的FetchRepos()FetchDevelopers()方法就可以获取仓库和开发者列表。但是我不希望用户了解这个类型的细节。所以我定义了一个接口:

type Fetcher interface {
  FetchRepos() ([]*Repository, error)
  FetchDevelopers() ([]*Developer, error)
}

我们定义一个类型来实现这个接口:

type trending struct{}

func New() Fetcher {
  return &trending{}
}

func (t trending) FetchRepos() ([]*Repository, error) {
}

func (t trending) FetchDevelopers() ([]*Developer, error) {
}

我们上面介绍的爬取逻辑就是放在FetchRepos()FetchDevelopers()方法中。

然后,我们就可以在其他地方使用了:

import "github.com/darjun/ghtrending"

t := ghtrending.New()
repos, err := t.FetchRepos()

developers, err := t.FetchDevelopers()

选项

前面也说过,GitHub Trending 支持选定本地语言、编程语言和时间范围等。我们希望把这些设置作为选项,使用 Go 语言常用的选项模式/函数式选项(functional option)。先定义选项结构:

type options struct {
  GitHubURL  string
  SpokenLang string
  Language   string // programming language
  DateRange  string
}

type option func(*options)

然后定义 3 个DataRange选项:

func WithDaily() option {
  return func(opt *options) {
    opt.DateRange = "daily"
  }
}

func WithWeekly() option {
  return func(opt *options) {
    opt.DateRange = "weekly"
  }
}

func WithMonthly() option {
  return func(opt *options) {
    opt.DateRange = "monthly"
  }
}

以后可能还有其他范围的时间,留一个通用一点的选项:

func WithDateRange(dr string) option {
  return func(opt *options) {
    opt.DateRange = dr
  }
}

编程语言选项:

func WithLanguage(lang string) option {
  return func(opt *options) {
    opt.Language = lang
  }
}

本地语言选项,国家和代码分开,例如 Chinese 的代码为 cn:

func WithSpokenLanguageCode(code string) option {
  return func(opt *options) {
    opt.SpokenLang = code
  }
}

func WithSpokenLanguageFull(lang string) option {
  return func(opt *options) {
    opt.SpokenLang = spokenLangCode[lang]
  }
}

spokenLangCode是 GitHub 支持的国家和代码的对照,我是从 GitHub Trending 页面爬取的。大概是这样的:

var (
  spokenLangCode map[string]string
)

func init() {
  spokenLangCode = map[string]string{
    "abkhazian":             "ab",
    "afar":                  "aa",
    "afrikaans":             "af",
    "akan":                  "ak",
    "albanian":              "sq",
    // ...
  }
}

最后我希望 GitHub 的 URL 也可以设置:

func WithURL(url string) option {
  return func(opt *options) {
    opt.GitHubURL = url
  }
}

我们在trending结构中增加options字段,然后改造一下New()方法,让它接受可变参数的选项。这样我们只需要设置我们想要设置的,其他的选项都可以采用默认值,例如GitHubURL

type trending struct {
  opts options
}

func loadOptions(opts ...option) options {
  o := options{
    GitHubURL: "http://github.com",
  }
  for _, option := range opts {
    option(&o)
  }

  return o
}

func New(opts ...option) Fetcher {
  return &trending{
    opts: loadOptions(opts...),
  }
}

最后在FetchRepos()方法和FetchDevelopers()方法中根据选项拼接 URL:

fmt.Sprintf("%s/trending/%s?spoken_language_code=%s&since=%s", t.opts.GitHubURL, t.opts.Language, t.opts.SpokenLang, t.opts.DateRange)

fmt.Sprintf("%s/trending/developers?lanugage=%s&since=%s", t.opts.GitHubURL, t.opts.Language, t.opts.DateRange)

加入选项之后,如果我们要获取一周内的,Go 语言 Trending 列表,可以这样:

t := ghtrending.New(ghtrending.WithWeekly(), ghtreading.WithLanguage("Go"))
repos, _ := t.FetchRepos()

简单方法

另外,我们还提供一个不需要创建trending对象,直接调用接口获取仓库和开发者列表的方法(懒人专用):

func TrendingRepositories(opts ...option) ([]*Repository, error) {
  return New(opts...).FetchRepos()
}

func TrendingDevelopers(opts ...option) ([]*Developer, error) {
  return New(opts...).FetchDevelopers()
}

使用效果

新建目录并初始化 Go Modules:

$ mkdir -p demo/ghtrending && cd demo/ghtrending
$ go mod init github/darjun/demo/ghtrending

下载包:

编写代码:

package main

import (
  "fmt"
  "log"

  "github.com/darjun/ghtrending"
)

func main() {
  t := ghtrending.New()

  repos, err := t.FetchRepos()
  if err != nil {
    log.Fatal(err)
  }

  fmt.Printf("%d repos\n", len(repos))
  fmt.Printf("first repo:%#v\n", repos[0])

  developers, err := t.FetchDevelopers()
  if err != nil {
    log.Fatal(err)
  }

  fmt.Printf("%d developers\n", len(developers))
  fmt.Printf("first developer:%#v\n", developers[0])
}

运行效果:

文档

最后,我们加点文档:

一个小开源库就完成了。

总结

本文介绍如何使用goquery爬取网页。着重介绍了ghtrending的接口设计。在编写一个库的时候,应该提供易用的、最小化的接口。用户不需要了解库的实现细节就可以使用。ghtrending使用函数式选项就是一个例子,有需要才传递,无需要可不提供。

自己通过爬取网页的方式来获取 Trending 列表比较容易受限制,例如过段时间 GitHub 网页结构变了,代码就不得不做适配。在官方没有提供 API 的情况下,目前也只能这么做了。

大家如果发现好玩、好用的 Go 语言库,欢迎到 Go 每日一库 GitHub 上提交 issue😄

参考

  1. ghtrending GitHub:github.com/darjun/ghtrending
  2. Go 每日一库之 goquery:https://darjun.github.io/2020/10/11/godailylib/goquery
  3. Go 每日一库 GitHub:https://github.com/darjun/go-daily-lib

我的博客:https://darjun.github.io

欢迎关注我的微信公众号【GoUpUp】,共同学习,一起进步~


darjun
2.9k 声望356 粉丝