17370845950

Golang多协程爬虫核心在于可控并发与调度，而非盲目开goroutine；应采用worker pool模式，固定worker数（如10–50），通过带缓冲channel分发URL任务。

用 Golang 写多协程爬虫，核心不是“开很多 goroutine”，而是控制并发、避免重复、处理失败、管理状态——关键在调度和收敛，不在数量。

协程数量要可控，别无脑 go

直接对每个 URL 启动 goroutine 很容易把目标站打挂，也容易被封或触发限流。推荐用 worker pool 模式：固定数量的工作协程（比如 10–50 个），从任务队列里取 URL 执行抓取。

• 用 chan string 做 URL 队列（可带缓冲，如 make(chan string, 1000)）
• 启动固定数目的 worker：for i := 0; i
• 主 goroutine 负责往队列塞初始 URL 和新发现的链接（需去重）

URL 去重和已访问记录必须做

爬虫不加去重，几秒内就会爆炸式生成重复请求，浪费资源还可能死循环。建议用两种结构组合：

• 内存去重：用 sync.Map 或 map[string]struct{} + sync.RWMutex 存已抓过的 URL（适合中小规模）
• 持久化记录：用 SQLite / BoltDB / Redis 记录已访问 URL 的哈希（如 sha256(url)），重启后不丢状态
• 新解析出的链接，先查再入队，避免无效分发

HTTP 客户端要定制，别用默认 client

默认 http.DefaultClient 没超时、没连接池限制、没 User-Agent，极易被识别为爬虫或耗尽本地 fd。

• 设置超时：&http.Client{Timeout: 10 * time.Second}
• 自定义 Transport 控制连接复用：&http.Transport{MaxIdleConns: 100, MaxIdleConnsPerHost: 100, IdleConnTimeout: 30 * time.Second}
• 每次请求加随机 User-Agent 和 Referer（可用开源库如 go-fake-useragent）
• 必要时加简单请求间隔（time.Sleep(100 * time.Millisecond)），但优先靠 worker pool 限速

错误要分类处理，不能全丢掉

网络超时、404、503、DNS 失败、HTML 解析异常……每种错误策略不同：

• 临时性错误（timeout、503、连接拒绝）：可重试 1–2 次，加指数退避（如 time.Sleep(time.Second ）
• 永久性错误（404、410、robots.txt 禁止）：记录日志，不再重试
• 解析失败（空 body、非 HTML Content-Type、XPath 找不到）：记 warning，不重试，但可存原始响应供调试
• 所有错误建议统一走 chan error 汇总，主流程监听并统计

基本上就这些。Golang 并发爬虫不复杂，但容易忽略收敛和韧性——重点不在“快”，而在“稳”和“可持续”。