Golang高效并发抓取网页方法

本文深入剖析了Go语言并发网页抓取的关键实践，强调稳定性和可控性远胜盲目追求高并发：通过带缓冲channel实现轻量信号量限流、合理复用http.Client连接池、显式处理HTTP状态码与各类错误、设置User-Agent和请求间隔以应对反爬策略，从而有效规避连接耗尽、DNS阻塞、IP被封及系统文件描述符超限等常见崩溃风险。

Go 语言做并发网页抓取，核心不是“能不能并发”，而是“怎么控并发、防崩、保稳定”。盲目起成百上千个 goroutine 调 http.Get，大概率触发连接耗尽、DNS 阻塞、目标站封 IP 或本地 too many open files 错误。

用 semaphore 控制并发数，别裸跑 goroutine

HTTP 抓取是 I/O 密集型操作，但操作系统对 TCP 连接、文件描述符、DNS 缓存都有硬限制。不加节制地启动 goroutine，会迅速突破这些阈值。

推荐用带缓冲的 channel 模拟信号量（无需引入第三方库）：

var sem = make(chan struct{}, 10) // 最多同时 10 个请求
<p>func fetch(url string) ([]byte, error) {
sem <- struct{}{} // 获取令牌
defer func() { <-sem }() // 释放令牌</p><pre class="brush:php;toolbar:false;">resp, err := http.Get(url)
if err != nil {
    return nil, err
}
defer resp.Body.Close()
return io.ReadAll(resp.Body)

}

• 10 是经验值，实际应根据目标站点响应时间、本地 ulimit -n 值（可用 ulimit -n 查）、以及是否复用 http.Client 调整
• 别在 defer 里放 <-sem —— 如果 http.Get panic，defer 不执行，信号量永远卡死
• 更稳妥写法：用 select + context 加超时，避免单个请求拖垮整组

http.Client 必须复用并调优，别每次 new

每次 new(http.Client) 会新建独立的 http.Transport，默认复用连接池极小（MaxIdleConns: 100），且 DNS 缓存不共享，高并发下极易打满连接或反复解析域名。

全局复用一个 client，并显式配置 transport：

client := &http.Client{
    Transport: &http.Transport{
        MaxIdleConns:        200,
        MaxIdleConnsPerHost: 200,
        IdleConnTimeout:     30 * time.Second,
        TLSHandshakeTimeout: 10 * time.Second,
    },
}

• MaxIdleConnsPerHost 必须设，否则默认是 100，多个域名时会被均分，实际并发能力骤降
• 不设 IdleConnTimeout，空闲连接长期不释放，可能被中间代理或服务端主动断开，下次复用时报 read: connection reset by peer
• 若目标站 HTTPS 证书异常，还需配 InsecureSkipVerify: true（仅测试用）

处理常见错误：timeout、redirect、4xx/5xx、body 未关闭

真实抓取中，http.Get 返回 nil error 并不意味着成功——状态码可能是 429（限流）、503（服务不可用），body 可能为空或没读完就丢弃，导致连接无法复用。

• 用 resp.StatusCode 显式判断，别只看 err == nil
• 所有 resp.Body 必须 Close()，否则连接卡在 idle 状态，最终耗尽 MaxIdleConns
• 重定向默认开启，若目标站用跳转反爬，可关掉：CheckRedirect: func(req *http.Request, via []*http.Request) error { return http.ErrUseLastResponse }
• 超时必须设：用 context.WithTimeout 包裹 request，避免单个请求 hang 死整个 goroutine

别忽略 User-Agent 和请求间隔，否则很快进黑名单

多数网站靠 User-Agent 识别爬虫。不设或用默认值（Go-http-client/1.1），基本等于举手说自己是爬虫。

简单加 header 即可：

req, _ := http.NewRequest("GET", url, nil)
req.Header.Set("User-Agent", "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36")
resp, err := client.Do(req)

• 哪怕只是测试，也建议随机几个常见 UA 字符串轮换
• 对同一域名，加 time.Sleep(100 * time.Millisecond) 是最朴素有效的反反爬手段；用 rate.Limiter 更规范
• 如果目标站返回 429 Too Many Requests，要捕获并动态降速，而不是重试轰炸

真正难的不是并发本身，而是让并发“有节制、可观察、可退避”。信号量数量、client 复用粒度、错误分类处理、UA 和节奏控制——这四点漏掉任一，都可能让程序跑十分钟就静默失败。

终于介绍完啦！小伙伴们，这篇关于《Golang高效并发抓取网页方法》的介绍应该让你收获多多了吧！欢迎大家收藏或分享给更多需要学习的朋友吧~golang学习网公众号也会发布Golang相关知识，快来关注吧！