張松 唐艷雙 李懷宇

[摘要]本文通過審計(jì)實(shí)例介紹運(yùn)用Go語言開發(fā)爬蟲程序，批量獲取某省金融企業(yè)監(jiān)管處罰數(shù)據(jù)，對被審計(jì)單位及所在地域金融企業(yè)進(jìn)行全方位、立體畫像，實(shí)現(xiàn)網(wǎng)絡(luò)公開數(shù)據(jù)與行內(nèi)數(shù)據(jù)的相互補(bǔ)充印證，準(zhǔn)確鎖定審計(jì)目標(biāo)，提升現(xiàn)場審計(jì)效率。

[關(guān)鍵詞]內(nèi)部審計(jì)? ? Go語言? ? 數(shù)據(jù)分析? ? 爬蟲程序

隨著信息科技與生產(chǎn)過程的不斷融合，人們越來越感受到科技在工作中的重要性。在企業(yè)內(nèi)部審計(jì)中，可利用數(shù)據(jù)分析語言開發(fā)網(wǎng)絡(luò)爬蟲程序獲取被審計(jì)單位的日常經(jīng)營及社會活動相關(guān)數(shù)據(jù)。Go語言（又稱Golang語言），是Google公司開發(fā)的一種簡潔高效的開源編程語言，具有高并發(fā)性和跨平臺開發(fā)優(yōu)勢，非常適合服務(wù)器編程。

一、總體思路

首先，開發(fā)的爬蟲程序必須善意且自覺遵守Robots協(xié)議，開發(fā)前要查看網(wǎng)站根目錄下的robots.txt文件，根據(jù)Robots協(xié)議合理進(jìn)行爬取數(shù)據(jù)。其次，將爬取到的監(jiān)管信息，存儲到CSV文本及本地MySQL數(shù)據(jù)庫中，并從中篩選出關(guān)注單位的處罰信息。

爬蟲程序工作原理是抓取網(wǎng)頁源代碼。源代碼中包含網(wǎng)頁內(nèi)容信息和網(wǎng)絡(luò)鏈接URL地址，可以繼續(xù)打開網(wǎng)頁中的URL地址，進(jìn)一步抓取下一層網(wǎng)頁內(nèi)容和網(wǎng)絡(luò)鏈接URL地址，這樣就可以循環(huán)抓取所需網(wǎng)頁公布的數(shù)據(jù)信息。

Go語言抓取網(wǎng)頁源代碼時，最常用的方法是利用Go語言自帶的net/http包工具與正則表達(dá)式相配合，匹配抓取想要的內(nèi)容信息，也可以利用一些根據(jù)網(wǎng)頁節(jié)點(diǎn)屬性選擇的CSS選擇器、Colly或Goquery等框架工具提取所需要的數(shù)據(jù)信息。

二、具體步驟

（一）分析網(wǎng)頁目標(biāo)地址，封裝地址函數(shù)

首先，明確爬取目標(biāo)網(wǎng)站的URL鏈接地址變化規(guī)律，需要爬取的內(nèi)容是金融機(jī)構(gòu)被監(jiān)管部門處罰的公開處罰信息;其次，打開具體的行政處罰頁面首頁發(fā)現(xiàn)，每頁有18份處罰單的名稱和鏈接地址，打開第二頁、第三頁等多個行政處罰頁面，發(fā)現(xiàn)每頁都包含18份處罰單的鏈接，而且前三頁鏈接URL地址是一種類型格式，第四頁往后的網(wǎng)頁是另一種鏈接URL格式。所以將兩種鏈接URL格式定義為一個數(shù)組切片并賦值給urls變量，封裝到Get2Urlt函數(shù)中，用if語句自動判斷，當(dāng)頁碼小于4時取第一種URL格式，其他情況則取第二種URL格式，具體語句如下：

func Get2Urlt（idx int） （url string） {

urls ：=

[]string{"http：//www.****c.**v.cn/cn/st****/data/tocInfo/Selecr********ItemdId/data_itemId=1515，pageIndex=" + strconv.Itoa（idx） + "，pageSize=18.json"，

"http：//www.****c.**v.cn/dbircweb/tocInfo/Selecr********ItemdId？itemId=1515&pageSize=18&pageIndex=" + strconv.Itoa（idx）}

if idx < 4 {

url = urls[0]

} else {

url = urls[1]

}

return

}

（二）封裝函數(shù)，獲取單個網(wǎng)頁信息

選用Go語言程序自帶的net/http包中的Get（）方法，根據(jù)傳入的URL鏈接地址參數(shù)便可發(fā)起有效請求，獲取網(wǎng)頁源代碼并賦值給變量resp。因?yàn)镠ttp.Get（）請求是一種網(wǎng)絡(luò)資源，用完后應(yīng)第一時間將其關(guān)閉，用defer指定的Close（）函數(shù)來關(guān)閉網(wǎng)絡(luò)請求，語句如下：

func HttpGet（url string） （result []string， err error） {

resp， err1 ：= http.Get（url）

if err1 ！= nil {

err = err1

return

}

defer resp.Body.Close（）

data1， err2 ：= ioutil.ReadAll（resp.Body）

b ：= UserJsonObj{}

json.Unmarshal（[]byte（data1）， &b）

if err2 ！= nil {

err = err2

return

}

urlls ：= make（[]string， 0）

for i ：= 0; i <= 17; i++ {

urllist ：=

"http：//www.****c.**v.cn/branch/*******I/view/pages/tcommon/Item****t.html？docId=" + strconv.Itoa（int（b.Data.Rows[i].DocId）） + "&itemId=1515"

urlls = append（urlls， urllist）

}

result = urlls

return

}

（三）創(chuàng)建結(jié)構(gòu)體，存儲網(wǎng)絡(luò)Json數(shù)據(jù)

創(chuàng)建UserJsonObj結(jié)構(gòu)體，用來存儲網(wǎng)頁的Json數(shù)據(jù)并賦值給變量b，用json.Unmarshal工具將json字符串解碼到相應(yīng)的結(jié)構(gòu)體中。創(chuàng)建HttpGet（）函數(shù)獲取每頁所有罰單的URL鏈接地址，循環(huán)讀出每份處罰單的鏈接URL地址，將所有罰單的鏈接URL地址賦值給變量urllist，并追加到數(shù)組切片urlls中，再將切片urlls賦值給result并返回GetOnePage（）函數(shù)，語句如下：

type UserJsonObj struct {

RptCode float64 `json："rptCode"`

Msg? ? ?string? `json："msg"`

Data? ? Data? ? `json："data"`

}

type Data struct {

Total float64? ?`json："total"`

Rows? []Brand `json："rows"`

}

type Brand struct {

DocId? ? ? float64 `json："tocId"`

DocSubtitle string `json："tocSubtitle"`

PublishDate string `json："publishDate"`

DocSummarystring`json："tocSummary"`

DocFileUrl? string `json："tocFileUrl"`

Generaltype string `json："generaltype"`

PdfFileUrl? string `json："pdfFileUrl"`

ItemName? string `json："itemName"`

SolicitFlag string `json："tolicitFlag"`

DocTitle? ? string `json："docTitle"`

Datafrom? ?string `json："datafrom"`

DocUuid? ? string `json："docUuit"`

Builddate? ?string `json："builddate"`

}

func GetOnePage（idx int， page chan int） {

url ：= Get2Urlt（idx）

authors， err ：= HttpGet（url）

if err ！= nil {

fmt.Println（"HttpGet err："， err）

return

}

mc ：= make（[]string， 0）

dw ：= make（[]string， 0）

xm ：= make（[]string， 0）

yy ：= make（[]string， 0）

tk ：= make（[]string， 0）

fk? ：= make（[]string， 0）

rq? ：= make（[]string， 0）

for _， jokeURL ：= range authors {

conUrl ：= GetUrlt（jokeURL）

contentUrl ：=

"http：//www.****c.****v.cn/cn/****ic/data/tocInfo/SelecR****t/data_docId=" + conUrl + ".json"

mc1， dw1， xm1， yy1， tk1， fk1， rq1， err ：= GetTwoPage（contentUrl）

if err ！= nil {

fmt.Println（"Spider2Page err："， err）

continue

}

mc = append（mc， mc1）

dw = append（dw， dw1）

xm = append（xm， xm1）

yy = append（yy， yy1）

tk? = append（tk， tk1）

fk? = append（fk， fk1）

rq? = append（rq， rq1）

}

SpiderWrPage（idx， mc， dw， xm， yy， tk， fk， rq）

page <- idx

}

（四）封裝函數(shù)，進(jìn)一步獲取罰單信息

創(chuàng)建GetTwoPage（contentUrl）函數(shù)獲取第二層中每份罰單的關(guān)鍵信息。傳入?yún)?shù)是加工后的contentUrl罰單鏈接地址，GetTwoPage函數(shù)也是使用net/http包中的Get（）方法來獲取每張罰單的源代碼數(shù)據(jù)，再用Goquery工具的doc.Find（）方法對每張罰單文本中的表格數(shù)據(jù)進(jìn)行過濾提取，分別提取出罰單中的名稱、被處罰單位、被處罰人姓名、被處罰原因、違反條款、處罰信息和處罰日期等關(guān)鍵信息，將提取到的信息分別返回GetOnePage（）函數(shù)，語句如下：

func GetTwoPage（contentUrl string） （mc1， dw1， xm1， yy1， tk1， fk1， rq1 string， error） {

resp， err1 ：= http.Get（contentUrl）

if err1 ！= nil {

err = err1

return

}

fileContent ：= make（[]string， 0）

fileContent0 ：= make（[]string， 0）

doc，err ：= goquery.NewDocumentFromResponse（resp）

if err == nil {

doc.Find（"td"）.Each（func（i int， s *goquery.Selection） {

str1 ：= s.Text（）

str1 = strings.Replace（str1， " "， ""， -1）

str1 = strings.Replace（str1， "_"， ""， -1）

str1 = strings.Replace（str1， "＼＼r＼＼n"， ""， -1）

str1 = strings.Replace（str1， "＼r|＼n"， ""， -1）

str1 = strings.Replace（str1， " "， ""， -1）

fileContent = append（fileContent， str1）

}）

} else {

fmt.Println（"err--->"， err）

}

if len（fileContent） < 2 {

doc.Find（"span"）.Each（func（i int， s *goquery.Selection） {

str1 ：= s.Text（）

str1 = strings.Replace（str1， " "， ""， -1）

str1 = strings.Replace（str1， "_"， ""， -1）

str1 = strings.Replace（str1， "＼n"， ""， -1）

str1 = strings.Replace（str1， "＼r"， ""， -1）

str1 = strings.Replace（str1， "＼＼r＼＼n"， ""， -1）

str1 = strings.Replace（str1， "＼r＼n"， ""， -1）

str1 = strings.Replace（str1， " "， ""， -1）

fileContent0 = append（fileContent0， str1）

}）

}

hz1 ：= make（[]string， 0）

hz0 ：= make（[]string， 0）

for i ：= 0; i < len（fileContent）; i++ {

fileContent[i] = strings.Replace（fileContent[i]， " "， ""， -1）

fileContent[i] = strings.Replace（fileContent[i]， "＼n"， ""， -1）

fileContent[i] = strings.Replace（fileContent[i]， "＼t"， ""， -1）

fileContent[i] = strings.Replace（fileContent[i]， " "， ""， -1）

Hz ：= fileContent[i]

hz1 = append（hz1， Hz）

}

for i ：= 0; i < len（fileContent0）; i++ {

fileContent0[i] = strings.Replace（fileContent0[i]， " "， ""， -1）

fileContent0[i] = strings.Replace（fileContent0[i]， "＼n"， ""， -1）

fileContent0[i] = strings.Replace（fileContent0[i]， "＼t"， ""， -1）

fileContent0[i] = strings.Replace（fileContent0[i]， " "， ""， -1）

Hz0 ：= fileContent0[i]

hz0 = append（hz0， Hz0）

}

if len（hz1） >= 21 {

mc1 = hz1[1]

dw1 = hz1[10]

xm1 = hz1[12]

yy1 = hz1[14]

tk1 = hz1[16] + hz1[18]

fk1 = hz1[20]

rq1 = hz1[len（hz1）-1]

} else {

}

if len（hz0） >= 30 {

mc1 = hz0[1]

dw1 = hz0[13]

xm1 = hz0[10]

yy1 = hz0[19] + hz0[20] + hz0[21] + hz0[22] + hz0[23] + hz0[24] + hz0[25]

tk1? = hz0[28]

fk1? =? hz0[28] + hz0[29] +hz0[30]

rq1 = hz0[len（hz0）-9] + hz0[len

（hz0）-8] + hz0[len（hz0）-7] + hz0[len（hz0）-6] + hz0[len（hz0）-5] + hz0[len（hz0）-4] + hz0[len（hz0）-3]

} else {

}

return

}

（五）封裝函數(shù)，將數(shù)據(jù)寫入文本

GetOnePage（）函數(shù)接收到GetTwoPage（）函數(shù)采集到的罰單關(guān)鍵數(shù)據(jù)后，分別將每個字段的數(shù)據(jù)信息追加到提前設(shè)置好的數(shù)組切片中，將收到的切片數(shù)據(jù)傳給創(chuàng)建的SpiderWrPage（）函數(shù)，將采集到的每頁數(shù)據(jù)逐條寫入文本中，多傳入一個idx參數(shù)記錄采集到第幾頁的數(shù)據(jù)，用strconv.Itoa（idx）方法將整型數(shù)字轉(zhuǎn)換成字符串，配合目錄地址創(chuàng)建對應(yīng)的目錄文本文件，語句如下：

func SpiderWrPage（idx int， mc， dw， xm， yy， tk， fk， rq []string） {

//path ：= "D：/go/src/crawler/第1" + strconv.Itoa（idx） + "頁.txt"

path ：= "D：/go/src/go_tintjj.go/data1/第" + strconv.Itoa（idx） + "頁.txt"

f， err ：= os.Create（path）

if err ！= nil {

fmt.Println（"os.Create err："， err）

return

}

defer f.Close（）

n ：= len（mc）

for i ：= 0; i < n; i++ {

f.WriteString（strconv.Itoa（i+1） + "，" + mc[i] + "，" + dw[i] + "，" + xm[i] + "，" + yy[i] + "，" + tk[i] + "，" + fk[i] + "，" + rq[i] + "＼n"）

}

MySql（idx）

}

（六）封裝函數(shù)，將文本數(shù)據(jù)寫入本地MySQL數(shù)據(jù)庫

創(chuàng)建MySql（）函數(shù)，將寫入文本的罰單數(shù)據(jù)插入本地MySql數(shù)據(jù)庫中，運(yùn)行流程為：首先用sqlx.Open（）函數(shù)打開本地MySql數(shù)據(jù)庫，用db.Exec（）方法加create table語句創(chuàng)建對應(yīng)的數(shù)據(jù)表;其次用Go語言自帶os包中的os.Open（）方法打開數(shù)據(jù)文本，用for循環(huán)語句里嵌套reader.ReadLine（）方法逐行讀取數(shù)據(jù)，直到io.EOF文件結(jié)束時停止;最后用db.Exec（）方法加insert into語句將讀取到的數(shù)據(jù)逐條插入對應(yīng)數(shù)據(jù)表中，語句如下：

func MySql（idx int） {

db，err ：= sqlx.Open（"mysql"， "root：a123@tcp（127.0.0.1：3306）/test"）

HandleError（err， "sql.Open"）

defer db.Close（）

_， err = db.Exec（"create table if not exists data_ybjh（idx int（8），mc varchar（260），dw varchar（424），xm varchar（224），yy varchar（824），tk varchar（424），fk varchar（424），rq varchar（264））;"）

HandleError（err， "db.Exec create table"）

fpath ：= GetFpath（idx）

file， e ：= os.Open（fpath）

HandleError（e， "os.Open"）

defer file.Close（）

reader ：= bufio.NewReader（file）

for {

lineBytes， _， err ：= reader.ReadLine（）

HandleError（err， "reader.ReadLine"）

if err == io.EOF {

break

}

lineStr ：= string（lineBytes）

fields ：= strings.Split（lineStr， "，"）

idx， mc， dw， xm， yy， tk， fk， rq ：= fields[0]， fields[1]， fields[2]， fields[3]， fields[4]， fields[5]， fields[6]， fields[7]

result， err ：= db.Exec（"insert into data_tbjh（idx，mc，dw，xm，yy，tk，fk，rq） values（？，？，？，？，？，？，？，？）;"， idx， mc， dw， xm， yy， tk， fk， rq）

HandleError（err， "db.Exec insert"）

if n， e ：= result.RowsAffected（）; e == nil && n > 0 {

fmt.Printf（"插入%s 數(shù)據(jù)成功！?。躰"， mc）

if _， e ：= result.RowsAffected（）; e ！= nil && e == io.EOF {

break

}

}

}

}

（七）數(shù)據(jù)入庫成功

程序運(yùn)行完畢后，打開本地MySQL數(shù)據(jù)庫查詢發(fā)現(xiàn)，采集的金融單位處罰數(shù)據(jù)信息，包括名稱、被處罰單位、被處罰人姓名、被處罰原因、違反條款、處罰信息和處罰日期等關(guān)鍵信息，已分字段插入本地?cái)?shù)據(jù)庫對應(yīng)表中，達(dá)到預(yù)期程序設(shè)計(jì)要求，為審計(jì)項(xiàng)目的開展增加一條數(shù)據(jù)獲取渠道。

三、數(shù)據(jù)初步分析

通過SQL語句對MySQL數(shù)據(jù)庫中提取的處罰信息進(jìn)行匯總分析，發(fā)現(xiàn)被審計(jì)單位的主要監(jiān)管處罰原因主要集中于貸款資金被挪用、違規(guī)發(fā)放貸款、集團(tuán)客戶授信超比例及貸款五級分類不準(zhǔn)確等方面。

本次利用Go語言技術(shù)獲取監(jiān)管處罰信息過程中，在網(wǎng)頁文本數(shù)據(jù)篩選獲取時用到了Goquery框架工具的doc.Find方法。Goquery框架工具功能強(qiáng)大、使用靈活方便，在對文本數(shù)據(jù)篩選提取時也可使用regexp包中的MustCompile和FindAllStringSubmatch方法以達(dá)到同樣效果。

上述方法可以一次性獲取某個省份特定單位的監(jiān)管處罰信息，對被審計(jì)單位及所在地域金融企業(yè)的經(jīng)營情況有更加全面的了解，開闊審計(jì)人員的思路，豐富審計(jì)手段，提升現(xiàn)場審計(jì)效率。

（作者單位：中國郵政儲蓄銀行股份有限公司審計(jì)局沈陽分局，郵政編碼：110013，電子郵箱：cdzhangs@163.com）