基于Rust实现爬取 GitHub Trending 热门仓库

Ne0inhk

— 11 min read
基于Rust实现爬取 GitHub Trending 热门仓库
这个实战项目将使用 Rust 实现一个爬虫，目标是爬取 GitHub Trending 页面的热门 Rust 仓库信息（仓库名、描述、星标数、作者等），并将结果输出为 JSON 文件。本次更新基于优化后的代码，重点提升了错误处理容错性和 CSS 选择器稳定性。

技术栈

  • HTTP 请求：reqwest（ Rust 最流行的 HTTP 客户端，支持异步）
  • HTML 解析：scraper（基于 selectors 库，支持 CSS 选择器，轻量高效）
  • JSON 序列化：serde + serde_json（ Rust 标准的序列化 / 反序列化库）
  • 异步运行时：tokio（ Rust 异步编程的事实标准）
  • 日志：env_logger + log（简单的日志输出，方便调试）
  • 错误处理：anyhow（简化错误传递，无需手动定义复杂错误类型）

项目结构

github-trending-crawler/ ├── Cargo.toml # 依赖配置 ├── src/ │ └── main.rs # 核心逻辑 └── trending_repos.json # 输出结果文件（运行后生成）

步骤 1：创建项目并配置依赖

1.1 创建项目

cargo new github-trending-crawler cd github-trending-crawler

1.2 配置 Cargo.toml

添加依赖项（确保版本兼容，可通过 crates.io 查询最新版本）：

[package] name = "github-trending-crawler" version = "0.1.0" edition = "2021" description = "A crawler to fetch GitHub Trending Rust repositories" license = "MIT" [dependencies] # HTTP 客户端（异步） reqwest = { version = "0.12", features = ["json", "rustls-tls"] } # HTML 解析（CSS 选择器） scraper = "0.18" # JSON 序列化/反序列化 serde = { version = "1.0", features = ["derive"] } serde_json = "1.0" # 异步运行时 tokio = { version = "1.0", features = ["full"] } # 日志 log = "0.4" env_logger = "0.10" # 错误处理（可选，简化错误传递） anyhow = "1.0"

步骤 2：核心逻辑实现（src/main.rs ）

2.1 导入依赖和初始化日志

use anyhow::{Context, Result}; use log::info; use reqwest::Client; use scraper::{Html, Selector}; use serde::Serialize; use std::fs::File; use std::path::Path; // 初始化日志（运行时打印调试信息） fn init_logger() { env_logger::Builder::from_env(env_logger::Env::default().default_filter_or("info")).init(); }

2.2 定义数据结构（序列化用）

定义存储仓库信息的结构体，使用 serde::Serialize trait 支持 JSON 序列化，字段与 GitHub Trending 页面信息一一对应：

#[derive(Debug, Serialize)] struct GithubRepo { // 作者/组织名 author: String, // 仓库名 name: String, // 仓库描述 description: Option<String>, // 星标数 stars: String, // 分支数 forks: String, // 今日新增星标 today_stars: String, // 仓库链接 url: String, }

2.3 核心爬虫逻辑

2.3.1 构建 HTTP 客户端并请求页面

优化点：保持原有 User-Agent 伪装和超时设置，确保请求不被 GitHub 拒绝，同时保留详细的请求错误上下文：

async fn fetch_trending_page(client: &Client) -> Result<String> { // GitHub Trending Rust 页面 URL（按今日热门排序） let url = "https://github.com/trending/rust?since=daily"; info!("Fetching page: {}", url); // 发送 GET 请求（设置 User-Agent 模拟浏览器，避免被 GitHub 拦截） let response = client .get(url) .header("User-Agent", "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/120.0.0.0 Safari/537.36") .send() .await .context(format!("Failed to request URL: {}", url))?; // 检查响应状态码（200-299 为成功状态） if !response.status().is_success() { return Err(anyhow::anyhow!( "Request failed with status: {}", response.status() )); } // 读取响应体（HTML 字符串），并记录页面大小 let html = response.text().await.context("Failed to read response body")?; info!("Successfully fetched page (size: {} bytes)", html.len()); Ok(html) }
2.3.2 解析 HTML 提取仓库信息

优化点：

  1. CSS 选择器错误处理：用 map_err，直接显示选择器解析错误详情，便于调试；
  2. 选择器稳定性提升：将描述选择器改为通用 p 标签、星标 / 分支选择器改为基于 href 后缀（如 a[href$='/stargazers']），避免因 GitHub 样式类名变更导致解析失败；
  3. 缺失值容错：用 unwrap_or_else 给缺失的星标 / 分支 / 今日新增星标设置默认值 "0"，避免程序 panic；
  4. 代码简化：合并作者名元素提取逻辑，减少重复代码。
fn parse_repos(html: &str) -> Result<Vec<GithubRepo>> { info!("Starting to parse repositories..."); let document = Html::parse_document(html); // 定义 CSS 选择器（优化后：基于语义化属性，降低页面样式变更影响） // 1. 每个仓库的根节点选择器（GitHub 仓库列表统一用 article.Box-row 包裹） let repo_selector = Selector::parse("article.Box-row") .map_err(|e| anyhow::anyhow!("Failed to parse repo selector: {}", e))?; // 2. 作者 + 仓库名选择器（h2 下的 a 标签，包含仓库路径） let author_name_selector = Selector::parse("h2 a") .map_err(|e| anyhow::anyhow!("Failed to parse author-name selector: {}", e))?; // 3. 仓库描述选择器（通用 p 标签，避免依赖特定类名） let desc_selector = Selector::parse("p") .map_err(|e| anyhow::anyhow!("Failed to parse description selector: {}", e))?; // 4. 星标数选择器（基于 href 后缀 /stargazers，语义化更强） let stars_selector = Selector::parse("a[href$='/stargazers']") .map_err(|e| anyhow::anyhow!("Failed to parse stars selector: {}", e))?; // 5. 分支数选择器（基于 href 后缀 /forks，语义化更强） let forks_selector = Selector::parse("a[href$='/forks']") .map_err(|e| anyhow::anyhow!("Failed to parse forks selector: {}", e))?; // 6. 今日新增星标选择器（基于 data-menu-button-text 属性，稳定性更高） let today_stars_selector = Selector::parse("span[data-menu-button-text]") .map_err(|e| anyhow::anyhow!("Failed to parse today-stars selector: {}", e))?; let mut repos = Vec::new(); // 遍历每个仓库节点，提取信息 for repo_node in document.select(&repo_selector) { // 1. 提取作者和仓库名（格式："author/name"，从 a 标签文本中解析） let author_name_element = repo_node .select(&author_name_selector) .next() .context("Missing author/name element (GitHub page structure may have changed)")?; // 清理文本（去除空格和换行符） let author_name_text = author_name_element .text() .collect::<String>() .trim() .to_string(); // 分割作者和仓库名（格式必须为 "author/name"，否则报错） let (author, name) = author_name_text .split_once('/') .context(format!("Invalid author/name format: '{}' (expected 'author/name')", author_name_text))?; let author = author.trim().to_string(); let name = name.trim().to_string(); // 2. 提取仓库完整链接（补全 GitHub 域名，a 标签的 href 属性为相对路径） let url = author_name_element .value() .attr("href") .context("Missing href attribute for repo link")? .to_string(); let url = format!("https://github.com{}", url); // 拼接完整 URL // 3. 提取仓库描述（可选，无描述时为 None，避免强制 unwrap 导致 panic） let description = repo_node .select(&desc_selector) .next() .map(|elem| elem.text().collect::<String>().trim().to_string()); // 4. 提取星标数（缺失时默认值为 "0"，容错性优化） let stars = repo_node .select(&stars_selector) .next() .map(|elem| elem.text().collect::<String>().trim().to_string()) .unwrap_or_else(|| "0".to_string()); // 5. 提取分支数（缺失时默认值为 "0"，容错性优化） let forks = repo_node .select(&forks_selector) .next() .map(|elem| elem.text().collect::<String>().trim().to_string()) .unwrap_or_else(|| "0".to_string()); // 6. 提取今日新增星标（缺失时默认值为 "0"，容错性优化） let today_stars = repo_node .select(&today_stars_selector) .next() .map(|elem| elem.text().collect::<String>().trim().to_string()) .unwrap_or_else(|| "0".to_string()); // 构建仓库对象并添加到列表 repos.push(GithubRepo { author, name, description, stars, forks, today_stars, url, }); } info!("Successfully parsed {} repositories", repos.len()); Ok(repos) }
2.3.3 保存结果到 JSON 文件

将解析后的仓库列表序列化为格式化的 JSON（pretty 模式），便于阅读和后续处理：

fn save_repos_to_json(repos: &[GithubRepo], path: &str) -> Result<()> { info!("Saving repositories to JSON file: {}", path); // 创建文件（若已存在会覆盖） let file = File::create(Path::new(path)) .context(format!("Failed to create file: {} (check directory permissions)", path))?; // 序列化并写入文件（pretty 模式：缩进格式化，可读性强） serde_json::to_writer_pretty(file, repos) .context("Failed to serialize repos to JSON (invalid data format)")?; info!("Successfully saved {} repos to {}", repos.len(), path); Ok(()) }

2.4 主函数

使用 tokio 异步运行时，按 “请求页面 → 解析信息 → 保存结果” 的流程执行，同时保留详细日志：

#[tokio::main] async fn main() -> Result<()> { // 初始化日志（程序启动时执行） init_logger(); info!("Starting GitHub Trending Rust Crawler..."); // 创建 HTTP 客户端（设置超时，避免网络问题导致程序卡死） let client = Client::builder() .connect_timeout(std::time::Duration::from_secs(10)) // 连接超时：10 秒 .timeout(std::time::Duration::from_secs(15)) // 响应超时：15 秒 .build() .context("Failed to create HTTP client (check network or dependencies)")?; // 1. 爬取 GitHub Trending 页面 HTML let html = fetch_trending_page(&client).await?; // 2. 解析 HTML，提取仓库信息 let repos = parse_repos(&html)?; // 3. 将结果保存到 JSON 文件（项目根目录下的 trending_repos.json） save_repos_to_json(&repos, "trending_repos.json")?; info!("Crawler finished successfully! Check 'trending_repos.json' for results."); Ok(()) }

步骤 3：运行项目并验证结果

3.1 运行爬虫

# 直接运行（默认输出 info 级别日志） cargo run # （可选）输出 debug 级别日志（查看更详细的执行过程，便于调试） RUST_LOG=debug cargo run

3.2 验证结果

运行成功后，项目根目录会生成 trending_repos.json 文件，优化后的结果示例（容错性提升，无缺失值）：

[ { "author": "YaLTeR", "name": "niri", "description": "A scrollable-tiling Wayland compositor.", "stars": "14,823", "forks": "523", "today_stars": "0", "url": "https://github.com/YaLTeR/niri" }, { "author": "librespot-org", "name": "librespot", "description": "Open Source Spotify client library", "stars": "6,131", "forks": "773", "today_stars": "0", "url": "https://github.com/librespot-org/librespot" }, { "author": "zensical", "name": "zensical", "description": "A modern static site generator by the creators of Material for MkDocs", "stars": "859", "forks": "12", "today_stars": "0", "url": "https://github.com/zensical/zensical" }, { "author": "atuinsh", "name": "atuin", "description": "✨ Magical shell history", "stars": "26,951", "forks": "730", "today_stars": "0", "url": "https://github.com/atuinsh/atuin" }, { "author": "openai", "name": "codex", "description": "Lightweight coding agent that runs in your terminal", "stars": "50,236", "forks": "6,238", "today_stars": "0", "url": "https://github.com/openai/codex" }, { "author": "bevyengine", "name": "bevy", "description": "A refreshingly simple data-driven game engine built in Rust", "stars": "43,023", "forks": "4,224", "today_stars": "0", "url": "https://github.com/bevyengine/bevy" }, { "author": "topjohnwu", "name": "Magisk", "description": "The Magic Mask for Android", "stars": "56,884", "forks": "15,868", "today_stars": "0", "url": "https://github.com/topjohnwu/Magisk" }, { "author": "uutils", "name": "coreutils", "description": "Cross-platform Rust rewrite of the GNU coreutils", "stars": "22,144", "forks": "1,637", "today_stars": "0", "url": "https://github.com/uutils/coreutils" }, { "author": "regolith-labs", "name": "ore", "description": "It's time to mine.", "stars": "741", "forks": "262", "today_stars": "0", "url": "https://github.com/regolith-labs/ore" }, { "author": "commonwarexyz", "name": "monorepo", "description": "Commonware Library Primitives and Examples", "stars": "369", "forks": "131", "today_stars": "0", "url": "https://github.com/commonwarexyz/monorepo" }, { "author": "rust-lang", "name": "rust-analyzer", "description": "A Rust compiler front-end for IDEs", "stars": "15,670", "forks": "1,864", "today_stars": "0", "url": "https://github.com/rust-lang/rust-analyzer" }, { "author": "chroma-core", "name": "chroma", "description": "Open-source search and retrieval database for AI applications.", "stars": "24,344", "forks": "1,912", "today_stars": "0", "url": "https://github.com/chroma-core/chroma" }, { "author": "getzola", "name": "zola", "description": "A fast static site generator in a single binary with everything built-in. https://www.getzola.org", "stars": "16,120", "forks": "1,094", "today_stars": "0", "url": "https://github.com/getzola/zola" }, { "author": "longbridge", "name": "gpui-component", "description": "Rust GUI components for building fantastic cross-platform desktop application by using GPUI.", "stars": "7,532", "forks": "297", "today_stars": "0", "url": "https://github.com/longbridge/gpui-component" }, { "author": "fish-shell", "name": "fish-shell", "description": "The user-friendly command line shell.", "stars": "31,470", "forks": "2,159", "today_stars": "0", "url": "https://github.com/fish-shell/fish-shell" }, { "author": "Spotifyd", "name": "spotifyd", "description": "A spotify daemon", "stars": "10,404", "forks": "487", "today_stars": "0", "url": "https://github.com/Spotifyd/spotifyd" }, { "author": "tree-sitter", "name": "tree-sitter", "description": "An incremental parsing system for programming tools", "stars": "22,666", "forks": "2,198", "today_stars": "0", "url": "https://github.com/tree-sitter/tree-sitter" }, { "author": "UwUDev", "name": "ygege", "description": "High-performance indexer for YGG Torrent written in Rust", "stars": "78", "forks": "9", "today_stars": "0", "url": "https://github.com/UwUDev/ygege" }, { "author": "ankitects", "name": "anki", "description": "Anki is a smart spaced repetition flashcard program", "stars": "24,634", "forks": "2,583", "today_stars": "0", "url": "https://github.com/ankitects/anki" }, { "author": "get-convex", "name": "convex-backend", "description": "The open-source reactive database for app developers", "stars": "8,066", "forks": "452", "today_stars": "0", "url": "https://github.com/get-convex/convex-backend" } ]

项目总结

本项目是基于 Rust 开发的 GitHub Trending 热门 Rust 仓库爬虫，通过 reqwest 实现异步 HTTP 请求、scraper 解析 HTML 页面、serde 系列库完成 JSON 序列化，搭配 tokio 异步运行时和 anyhow 错误处理库，构建了高效且健壮的爬取流程。相较于初始版本，优化后的代码在 CSS 选择器上采用语义化属性（如基于 href 后缀、数据属性），降低了 GitHub 页面样式变更带来的维护成本；在错误处理上，通过 map_err 明确选择器解析错误、unwrap_or_else 处理信息缺失场景，大幅提升了程序容错性；同时保留详细日志输出，便于调试和问题定位。项目最终能稳定爬取每日热门 Rust 仓库的作者、名称、描述、星标数等关键信息，并以格式化 JSON 文件存储结果。

想了解更多关于Rust语言的知识及应用，可前往华为开放原子旋武开源社区https://xuanwu.openatom.cn/，了解更多资讯～

Read more

DownGit：GitHub精准下载神器，三步搞定文件夹打包下载

DownGit：GitHub精准下载神器，三步搞定文件夹打包下载 【免费下载链接】DownGitgithub 资源打包下载工具 项目地址: https://gitcode.com/gh_mirrors/dow/DownGit 还在为下载GitHub单个文件夹而苦恼吗？传统方式需要克隆整个仓库，既耗时又浪费流量。DownGit作为专业的GitHub资源下载工具，能够精准定位并打包任意文件夹，让下载过程变得简单高效。这款GitHub文件夹下载神器完美解决了开发者的痛点，实现精准下载的同时保持完整的文件结构。 🎯 为什么你需要DownGit？ 在日常开发和学习中，我们经常遇到只需要GitHub项目中某个特定文件夹的情况。传统方法需要下载整个仓库，不仅占用大量存储空间，还增加了不必要的等待时间。DownGit的出现彻底改变了这一局面，让GitHub资源获取变得轻松自如。 📦 核心功能亮点 精准定位下载 * 智能解析：自动识别GitHub链接中的仓库路径和分支信息 * 目录保持：下载的文件夹保持原有的目录结构 * 文件完整：确保所有子文件和配置文件都被完整打包

By Ne0inhk

Git下载GitHub项目卡住？使用清华镜像代理地址快速获取

Git下载GitHub项目卡住？使用清华镜像代理地址快速获取 在人工智能与深度学习迅猛发展的今天，开发者几乎每天都在与开源项目打交道。无论是研究新算法、复现论文，还是搭建生产环境，我们常常需要从 GitHub 上克隆大型代码仓库——比如 TensorFlow、PyTorch 或 Hugging Face 的生态工具。然而，一个令人头疼的现实是：在国内直接通过 git clone 下载这些项目时，动辄卡在“Receiving objects”阶段，甚至连接超时失败。 这不仅浪费时间，更严重影响开发节奏。尤其是在 CI/CD 流水线中，一次拉取失败可能导致整个构建流程中断。你有没有试过为了克隆一个项目等上半小时，最后却以 RPC failed; curl 18 transfer closed 告终？ 其实，这个问题早有成熟解决方案：利用国内高校提供的开源镜像服务，将 GitHub 请求重定向至高速本地节点。

By Ne0inhk

GLM-4-9B-Chat-1M开源优势：Apache 2.0代码+OpenRAIL-M权重

GLM-4-9B-Chat-1M开源优势：Apache 2.0代码+OpenRAIL-M权重 1. 它到底能做什么？一句话说清长文本处理的新可能 你有没有遇到过这样的场景：手头有一份300页的上市公司财报PDF，需要快速找出其中关于“海外并购”和“研发投入”的所有关键条款；或者要从一份200页的法律合同里，比对两版修订稿的差异点；又或者想让AI通读整本《三体》原著，再回答“叶文洁在红岸基地第一次发送信号的具体时间与动机分析”。 过去，这类任务要么靠人工逐页翻查，耗时数小时；要么用传统大模型分段喂入，结果上下文断裂、逻辑错乱、关键信息丢失。而GLM-4-9B-Chat-1M的出现，直接把这个问题变成了一个“打开即用”的操作——它不只支持长文本，而是真正意义上一次吞下200万汉字并保持完整理解力的对话模型。 这不是参数堆砌的噱头，也不是靠牺牲精度换来的长度。它用90亿参数的稠密架构，在单张消费级显卡上跑出100%的1M长度needle-in-haystack准确率，同时保留了多轮对话、函数调用、代码执行等企业级能力。你可以把它理解成一位“超记忆型资深助理”：记性极好、反应快、会写

By Ne0inhk
Git 到底是干啥的？零基础小白听完都懂了并且轻松驾驭它

Git 到底是干啥的？零基础小白听完都懂了并且轻松驾驭它

git，通俗的来说就是一种用来多人文件版本合作的工具，但是对一些非程序员的项目小白或者没有程序基础的但是想要入行做程序员的人来说，完完全全理解起来稍微有点困难。这篇文章不像很多文章一样是枯涩的码字教学。现在，我们就用最通俗易懂的方式，让你从零基础理解他，并且使用他。这种教学方法不是把你当白痴的教学方法，反而是让你快速入门深刻理解它，并记住它的教学方法。因为可能说得比较详细，篇幅较长，还得请你耐心的把他看完。 一、git的作用 1、git的版本控制 文件永远不会只有一个版本，这句话我们似乎用亲身经历证明过。你是否有过以下经历👇 📘论文会有“终稿v1、终稿v2、终稿最终版”、 ✍设计稿会有“改版A、改版B、改版C”、 🧺甚至自己写的文章也会来回改十几遍。 🥚更不用说单独只通过一个本地夹操刀一个大型项目了 突然有一天你觉得你的论文、设计稿、文章、项目某一个节点开始脱离了原本的方向或者发生了一些错误，但是你已经对其进行多处修改了，单独再修改不仅费事废经历，还容易发生遗漏。 你或许信誓旦旦的告诉我，你可以这样做。。。👇 论文_最终v1.docx 论文_

By Ne0inhk