Golang爬虫入门教程：新手实战指南

本文深入剖析了Go语言在网页爬虫开发中的实际适用性与新手常见陷阱，指出虽然Go凭借并发优势看似适合爬虫，但其标准库缺乏反爬支持、HTML解析体验生硬、错误处理繁琐，且主流库如colly文档松散、调试困难；文章强调新手应优先评估是否真需自研爬虫，并给出务实建议：从最小可行colly示例入手，严格注意配置顺序与同步等待，合理设置超时与HTTP客户端，坚决避开JS渲染页面——若必须处理动态内容，更推荐API直取或Go与Python分工协作的混合方案，而非强行用Go硬扛浏览器自动化。

Go 语言做爬虫不是“不能”，而是得先想清楚：你真需要自己写爬虫，还是该用更稳的方案？

为什么新手不建议直接用 Go 写通用爬虫

Go 的并发模型（goroutine + channel）看起来天生适合爬虫，但新手容易忽略几个硬伤：

• 标准库 net/http 不自动处理重定向、Cookie 持久化、User-Agent 轮换、TLS 指纹等常见反爬要素
• 没有开箱即用的 HTML 解析器（golang.org/x/net/html 是底层解析器，不提供类似 Python 的 BeautifulSoup.find() 那种链式 API）
• 第三方库如 colly 功能强，但文档松散、源码抽象层多，出错时堆栈难定位（比如 OnHTML 回调没触发，常因 selector 匹配失败或 DOM 加载时机问题）
• Go 的错误处理是显式的，但爬虫中大量 IO 错误（超时、连接拒绝、DNS 失败）若没统一包装，会快速污染主逻辑

从 colly 入手：最小可行爬虫长什么样

如果你坚持用 Go，colly 是目前最接近“开箱即用”的选择。但别一上来就写分布式或带登录态的复杂逻辑。

下面这个例子只抓取标题和链接，但它暴露了新手最常卡住的三个点：

package main
<p>import (
"fmt"
"log"
"github.com/gocolly/colly"
)</p><p>func main() {
c := colly.NewCollector(
colly.AllowedDomains("httpbin.org"), // 注意：这里必须是域名，不是完整 URL
colly.Async(true),                   // 开启异步，但需手动调用 Wait()
)</p><pre class="brush:php;toolbar:false;">c.OnHTML("title", func(e *colly.HTMLElement) {
    fmt.Println("Title:", e.Text)
})

c.OnHTML("a[href]", func(e *colly.HTMLElement) {
    link := e.Attr("href")
    if link != "" {
        fmt.Println("Link:", link)
    }
})

c.OnRequest(func(r *colly.Request) {
    r.Headers.Set("User-Agent", "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/537.36")
})

c.Visit("https://httpbin.org/html")

c.Wait() // 必须加！否则 main 退出，goroutine 被强制终止

}

• AllowedDomains 参数只接受域名（如 "httpbin.org"），传 "https://httpbin.org" 会导致请求被静默丢弃
• OnRequest 设置 Header 必须在 Visit 之前，顺序错了就无效
• c.Wait() 是同步等待所有 goroutine 完成的唯一可靠方式；漏掉它，程序大概率输出空结果就退出

遇到 context deadline exceeded 怎么调

这是 Go 爬虫最常报的错误，本质是 HTTP 请求超时。但 colly 默认超时是 30 秒，实际中多数网站响应在 2–5 秒，所以问题往往不在“太短”，而在“没设对地方”。

• 全局超时：传入 colly.NewCollector(colly.Async(true), colly.MaxDepth(2)) 不影响超时，得单独设 colly.UserAgent 或改底层 http.Client
• 正确做法是自定义 http.Client 并注入：

  c := colly.NewCollector()
  c.WithTransport(&http.Transport{
      DialContext: (&net.Dialer{
          Timeout:   5 * time.Second,
          KeepAlive: 30 * time.Second,
      }).DialContext,
      TLSHandshakeTimeout: 5 * time.Second,
  })
  c.WithTimeout(10 * time.Second)

• 注意：WithTimeout 控制的是单次请求生命周期（含 DNS、连接、TLS、响应头），不是整个爬取过程

别碰 JavaScript 渲染页面，除非你准备好接坑

Go 生态里没有成熟、轻量、可嵌入的 Headless 浏览器驱动。有人用 chromedp，但它依赖本地 Chrome 进程，启动慢、内存高、调试难，且无法在无图形界面服务器（如阿里云轻量应用服务器）上稳定运行。

如果目标页面内容由 JS 渲染（比如 React/Vue SPA），更现实的做法是：

• 先用浏览器开发者工具确认数据是否走 API（多数现代网站会暴露 /api/xxx 接口）
• 直接请求那个 API，绕过 HTML 解析——这时 Go 反而是优势：JSON 解析快、内存占用低
• 实在不行，用 Python + requests + playwright 做渲染层，Go 只做后续清洗和入库，通过 HTTP 或消息队列通信

强行在 Go 里塞浏览器自动化，最后八成是在给运维添麻烦。

以上就是本文的全部内容了，是否有顺利帮助你解决问题？若是能给你带来学习上的帮助，请大家多多支持golang学习网！更多关于Golang的相关知识，也可关注golang学习网公众号。