Golang colly爬虫框架如何用_Golang colly教程【进阶】

c.Visit()未触发OnHTML最常见原因是请求被目标站拦截导致403，因Colly默认UA易被拒绝；需设自定义UserAgent、加OnResponse打印状态码、处理重定向、传完整URL、用Limit()控并发、解压gzip、避开JS渲染页、选稳定选择器、用连接池+channel安全存库。为什么 c.Visit() 调了却没触发 OnHTML？最常见原因不是代码写错了，而是请求根本没成功——被目标站拦在第一关。Colly 默认 UA 是 "colly - https://github.com/gocolly/colly"，多数网站（尤其是 nginx 前置的）直接 403 拒绝，连 HTML 都不返回，OnHTML 自然不会执行。必须显式设置 c.UserAgent，例如 c.UserAgent = "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36"加 c.OnResponse(func(r *colly.Response) { log.Println(r.StatusCode, r.Request.URL) }) 确认是否真收到了 200遇到 302 重定向默认不跟，需设 c.AllowURLRevisit = true（否则跳转后 URL 被去重丢弃）c.Visit() 只接受完整 URL（含 https://），传 /page/2 这类相对路径会静默失败并发数设成 c.Async = true 就够了吗？不够，而且非常危险。c.Async = true 只是开启异步模式，底层仍是单协程串行发请求；真正控制并发的是 c.Limit()，不设它等于没并发。默认行为：无 LimitRule → 所有请求排队，等前一个结束才发下一个正确做法：用 c.Limit(&colly.LimitRule{DomainGlob: "*", Parallelism: 4}) 控制最大并行请求数别盲目调高 Parallelism：设到 10+ 容易触发目标站风控，或本地 too many open files 错误不同域名建议分开限流，比如 GitHub Pages 内容静态但反爬严：&colly.LimitRule{DomainGlob: "*.github.io", Parallelism: 1}OnHTML("div.title") 提取不到内容？先查这三件事不是选择器写错，就是你看到的 HTML 和 Colly 拿到的根本不是一回事。浏览器里能看见，不代表服务器返回的就是那个结构。网页可能返回 gzip 压缩内容，但 Colly 默认不解压 → 加 c.OnResponse(func(r *colly.Response) { r.Collector.UnifyUTF8 = true }) 强制 UTF-8 并启用解压JS 渲染的内容（如 React/Vue SPA）Colly 看不见 → 检查源码里有没有 id="__next" 或 data-server-rendered，有就别硬扛，换 Puppeteer选择器太深、依赖属性顺序或空格 → 改用 class 名优先："h1.post-title" 比 "body > article > header > h1" 更稳调试技巧：在 OnResponse 里打印 string(r.Body[:min(200, len(r.Body))])，确认返回体是不是你预期的 HTML结果存 MySQL 时连接池爆满，怎么安全写入？Colly 回调本身就在 goroutine 里跑，每个 OnHTML 都开个 sql.Open()，几秒内就能打满数据库连接数。 跃问 跃问是由阶跃星辰开发的免费AI智能问答助手，随时帮你智能搜索、高效阅读、识图理解、和你畅聊感兴趣的话题。