要实现一个简单的web爬虫，可使用go标准库 net/http 和 golang.org/x/net/html。1. 使用 http.get 获取网页内容，并处理错误与响应关闭；2. 利用 html 包解析html，遍历节点提取所需标签信息；3. 控制并发与避免重复抓取，通过map记录已访问url并用channel限制goroutine数量。这样即可构建一个基础但有效的爬虫框架。
实现一个简单的Web爬虫，用Go语言（Golang）其实并不难。不依赖第三方库的话，可以使用标准库中的 net/http 和 golang.org/x/net/html 来完成基本的页面抓取和解析。下面我们就一步步来看看怎么做。
获取网页内容：使用 http.Get
第一步是访问目标网页，获取HTML内容。Golang的标准库中提供了 http.Get 方法，可以轻松发起GET请求并读取响应。
resp, err := http.Get("https://example.com")
if err != nil {
log.Fatal(err)
}
defer resp.Body.Close()
body, _ := io.ReadAll(resp.Body)
fmt.Println(string(body))这段代码会把整个网页的HTML内容打印出来。注意要处理错误，并且记得关闭 Body，否则会导致资源泄漏。
立即学习“go语言免费学习笔记（深入）”；
- 确保检查返回状态码是否为200
- 有些网站会检测User-Agent，必要时手动设置Header
解析HTML内容：使用 golang.org/x/net/html
拿到HTML之后，下一步就是从中提取我们感兴趣的内容。这时候需要用到 golang.org/x/net/html 包，它提供了一个简单的HTML解析器。
doc := html.NewTokenizer(bytes.NewReader(body))
for {
tt := doc.Next()
if tt == html.ErrorToken {
break
}
if tt == html.StartTagToken {
tag := doc.Token()
if tag.Data == "a" {
for _, attr := range tag.Attr {
if attr.Key == "href" {
fmt.Println(attr.Val)
}
}
}
}
}这种方式虽然不如正则表达式直观，但更安全、结构清晰。你可以根据需要修改判断条件来提取其他类型的标签或属性。
- 注意区分
StartTagToken和SelfClosingTagToken - 可以封装成函数来复用，比如提取所有图片链接或标题等
控制并发与避免重复抓取
如果你打算扩展这个爬虫，让它能访问多个页面，那么就需要考虑控制并发数量，以及避免重复访问相同的URL。
一个简单的方式是维护一个已访问的URL集合，并限制goroutine的数量：
visited := make(map[string]bool)
var mu sync.Mutex
// 在每次访问前加锁检查
mu.Lock()
if visited[url] {
mu.Unlock()
continue
}
visited[url] = true
mu.Unlock()至于并发控制，可以用带缓冲的channel来限制最大并发数：
sem := make(chan struct{}, 3) // 最多同时运行3个任务
for _, url := range urls {
sem <- struct{}{}
go func(u string) {
defer func() { <-sem }()
fetchAndParse(u)
}(u)
}这样既能提高效率，又不至于把服务器压垮。
基本上就这些
上面讲的几个部分，已经构成了一个最基础的Web爬虫框架。虽然没有用到任何第三方库，但足以应对一些小规模的数据抓取任务。
当然，实际项目中还是推荐使用像 colly 这样的成熟库来处理复杂的逻辑。不过对于学习和理解原理来说，动手写一个原生版本还是挺有帮助的。
