最近一直在学习stevens的unix网络编程,对于网络通信有了一定的认识,所以也想练练手。聊天程序之前用winsock做过,这次不想做重复的。之前看到一哥们写过windows下抓取猫扑的帖子,我觉得抓页面也是一个不错想法。我也喜欢逛猫扑,有时候也去追追里面写的文章,猫扑帖子少了一个很重要的功能,就是只看楼主的帖子。猫扑水人很多,容易把楼主的帖子淹没在大海里面。
查看了一下猫扑帖子的网页源代码,帖子内容介于<divclass="box2 js-reply"data-rid="*">和</div>之间,只需要解析这段内容,就能得到自己想要的东西。不过里面东西比较多,比较杂,还是先找一个简单页面抓取试试。csdn博客相对来说就是个不错的选择,***没广告,内容不算很多,第二,代码风格很好。抓CSDN的页面无非获得博主名,文章名字和URL等,如果想获得更多的信息,可以把博主的排名,评论数抓取下来。
下面简单分析一下CSDN博客源代码。
博主标题:
- <div id="blog_title">
- <h1>
- <a href="/lanyan822">编程小子的专栏</a></h1>
- <h2>锲而舍之,朽木不折;锲而不舍,金石可镂</h2>
- <div class="clear">
- </div>
- </div>
文章标题和URL:
- <span class="link_title"><a href="/lanyan822/article/details/7549916">
- ubuntu11.10搭建git服务器
- </a>
文章访问次数,评论次数等:
- <div class="article_manage">
- <span class="link_postdate">2012-05-14 15:09</span>
- <span class="link_view" title="阅读次数"><a href="/lanyan822/article/details/7549916" title="阅读次数">阅读</a>(21)</span>
- <span class="link_comments" title="评论次数"><a href="/lanyan822/article/details/7549916#comments" title="评论次数">评论</a>(0)</span>
- </div>
博客统计信息:
- <ul id="blog_rank">
- <li>访问:<span>1218次</span></li>
- <li>积分:<span>164分</span></li>
- <li>排名:<span>千里之外</span></li>
- </ul>
- <ul id="blog_statistics">
- <li>原创:<span>13篇</span></li>
- <li>转载:<span>2篇</span></li>
- <li>译文:<span>0篇</span></li>
- <li>评论:<span>1条</span></li>
- </ul>
从上面贴出的HTML可以看出,所需要的信息都在某一个id下,每个id是唯一的,这对解析是很有利的。我们只需要抓取到网页,分析相应内容,得到想要的信息即可。
在确定CSDN博客是可以抓取后,就可以着手抓取。如何抓取?简单来说,就是与CSDN博客服务器简历tcp连接,然后发送HTTP请求,得到响应。页面抓取过程如下图所示:
主要流程:
- 解析域名(csdn.blog.net),得到服务器IP地址
- 与服务器端建立TCP连接
- 发送HTTP请求
- 得到服务器端响应,响应内容里面含有请求页面源代码
- 解析网页源代码,得到所需要信息,如果需要抓取博主所有的文章,需要解析出每篇文章的URL
- 统计博主文章数,判断是否有分页,如果又分页,则请求分页内容,获取分页的文章URL
- 跳转到***步,请求每篇文章
- 把文章保存到本地
- 根据需求看是否对文章进行处理
知道流程后,就可以着手编码。先来看看我目前作出来的效果图。
这里并不只是把文章信息解析出来,也把每篇博客具体内容给存到本地了。存在以博主名命名的文件夹下,每篇文章存在以文章命名的html文件中。
具体实现:
一、解析域名
采用gethostbyname方法。函数声明如下:
执行成功,返回非空指针,失败返回空指针,并设置h_errno,可以通过hstrerror方法查看h_errno对应的错误提示信息。
- #include<netdb.h>
- struct hostent * gethostbyname(const char *hostname)
函数中用到的hostent结构体,如下所示:
- <pre name="code" class="cpp">struct hostent
- {
- char *h_name; /* 查询主机的规范名字 */
- char **h_aliases; /* 别名 */
- int h_addrtype; /* 地址类型 */
- int h_length; /* 地址个数 */
- char **h_addr_list; /* 所有的地址 */
- };
二、获得IP地址后,与CSDN博客服务器建立TCP连接。
解析域名和建立TCP链接,我都放在一个自定义函数buildconnect里面。每次需要建立连接,我只需要调用这个方法即可。代码如下:
不需要每一次都去解析域名,所以把域名存在一个static变量里面。
- /*
- *功能:获得CSDN博客IP地址,并与CSDN服务器建立TCP连接
- *参数:无
- *返回值:非负描述字-成功,-1-出错
- */
- int buildConnection() {
- int sockfd;
- static struct hostent *host = NULL;
- static struct sockaddr_in csdn_addr;
- if (host == NULL) {
- if ((host = gethostbyname(CSDN_BLOG_URL)) == NULL) {//获取CSDN博客服务器IP地址
- fprintf(stderr, "gethostbyname error:%s\n", hstrerror(h_errno));
- exit(-1);
- }
- #ifdef DEBUG
- printf("csdn ip:%s\n", inet_ntoa(*((struct in_addr *) host->h_addr_list[0])));
- #endif
- bzero(&csdn_addr, sizeof (csdn_addr));
- csdn_addr.sin_family = AF_INET;
- csdn_addr.sin_port = htons(CSDN_BLOG_PORT);
- csdn_addr.sin_addr = *((struct in_addr *) host->h_addr_list[0]);
- }
- sockfd = socket(AF_INET, SOCK_STREAM, 0);
- if (sockfd == -1) {
- fprintf(stderr, "socked error:%s\n", strerror(errno));
- exit(-1);
- }
- if (connect(sockfd, (struct sockaddr *) &csdn_addr, sizeof (csdn_addr)) == -1) {
- fprintf(stderr, "connect error:%s", strerror(errno));
- exit(-1);
- }
- return sockfd;
- }
三、发送HTTP请求
HTTP请求格式如下所示:
说明:GET:表明是一个GET请求,还有POST请求(你可以模拟登陆,发送用户名和密码到服务端。不过现在CSDN登陆需要一个随机码验证。这个不好办)/lanyan822表示请求的页面,HTTP1.1表示使用的版本。\r\n表示结束。
- "GET /lanyan822 HTTP/1.1\r\n
- Accept:*/*\r\n
- Accept-Language:zh-cn\r\n
- User-Agent: Mozilla/4.0 (compatible;MSIE 5.01;Windows NT 5.0)\r\n
- Host: blog.csdn.net:80\r\n
- Connection: Close\r\n
- \r\n
Accept:表示浏览器接受的MIME类型
Accept-Language:表示浏览器接受的语言类型
User-Agent:指浏览器的名字。呵呵,因为是模拟浏览器发请求,所以这里是假的
Host:服务器的域名和端口
Connection:用来告诉服务器是否可以维持固定的HTTP连接。HTTP/1.1使用Keep-Alive为默认值,这样,当浏览器需要多个文件时(比如一个HTML文件和相关的图形文件),不需要每次都建立连接。这里我每次请求页面后,我都选择关闭。
这里需要注意的是:HTTP请求格式,千万不能在里面多写空格什么的。我之前一直请求页面失败就是因为里面多了空格。***以\r\n结束。
- /*
- *功能:发送HTTP请求,HTTP请求格式一定要正确,且不能有多余的空格.
- *参数:sockfd:套接字,requestParam:http请求路径
- *返回值:写入套接口的字节数-成功,-1:失败
- */
- int sendRequest(int sockfd, const char *requestParam) {
- char request[BUFFERLEN];
- int ret;
- bzero(request, sizeof (request));
- sprintf(request, "GET %s HTTP/1.1\r\n Accept:*/*\r\n Accept-Language:zh-cn\r\n"
- "User-Agent: Mozilla/4.0 (compatible;MSIE 5.01;Windows NT 5.0)\r\n"
- "Host: %s\r\n"
- "Connection: Close\r\n"
- "\r\n", requestParam, CSDN_BLOG_URL);
- #ifdef DEBUG
- printf("请求HTTP格式:%s\n", request);
- #endif
- ret = write(sockfd, request, sizeof (request));
- #ifdef DEBUG
- printf("send %d data to server\n", ret);
- #endif
- return ret;
- }
四、接受服务端响应,并存储请求页面
HTTP响应包括响应头和所请求页面的源代码。
HTTP响应头如下所示:
响应头部也是以\r\n结束。所以可以通过\r\n\r\n来判断响应头部的结束位置。
- HTTP/1.1 200 OK
- Server: nginx/0.7.68
- Date: Wed, 16 May 2012 06:28:28 GMT
- Content-Type: text/html; charset=utf-8
- Connection: close
- Vary: Accept-Encoding
- X-Powered-By: ASP.NET
- Set-Cookie: uuid=344c2ad0-b060-448b-b75f-2c9dd308e5a5; expires=Thu, 17-May-2012 06:24:49 GMT; path=/
- Set-Cookie: avh=yKfd8EgMOqw1YuvAzcgrbQ%3d%3d; expires=Wed, 16-May-2012 06:29:49 GMT; path=/
- Cache-Control: private
- Content-Length: 18202
实现源码:
- /*
- *功能:将服务端返回的html内容存入filePath中.这里使用了select函数.
- *参数:sockfd:套接字,filePath:文件存储路径
- *返回值:读入套接字字节数-成功,-1-失败,-2请求页面返回状态值非200
- */
- int saveRequestHtml(int sockfd, const char *filePath) {
- int headerTag, ret, fileFd = -1,contentLen,count=0;
- char receiveBuf[BUFFERLEN];
- fd_set rset;
- struct timeval timeout;
- memset(&timeout, 0, sizeof (timeout));
- timeout.tv_sec = 60;
- timeout.tv_usec = 0;
- char *first, *last,*ok_loc,*pContentLenStart,*pContentLenEnd;
- while (TRUE) {
- FD_SET(sockfd, &rset);
- ret = select(sockfd + 1, &rset, NULL, NULL, &timeout);
- if (ret == 0) {
- fprintf(stderr, "select time out:%s\n", strerror(errno));
- return ret;
- } else
- if (ret == -1) {
- fprintf(stderr, "select error :%s\n", strerror(errno));
- return ret;
- }
- headerTag = 0;
- if (FD_ISSET(sockfd, &rset)) {
- while (ret = read(sockfd, receiveBuf, BUFFERLEN - 1)) {
- if (headerTag == 0) {
- if (access(filePath, F_OK) == 0) {
- if (remove(filePath) == -1)
- fprintf(stderr, "remove error:%s\n", strerror(errno));
- } else {
- #ifdef DEBUG
- printf("%s not exist\n", filePath);
- #endif
- }
- receiveBuf[ret] = '\0';
- first = strstr(receiveBuf, "\r\n\r\n");//服务端返回消息头部和网页html内容.消息头部也是以\r\n\r\n结尾.
- if (first != 0) {
- last = first + strlen("\r\n\r\n");
- ok_loc=strstr(receiveBuf,"OK");//如果请求成功,状态码是200,并且有OK
- if(ok_loc!=0)
- {
- #ifdef DEBUG
- printf("页面请求成功\n");
- #endif
- fileFd = open(filePath, O_WRONLY | O_CREAT | O_APPEND, S_IRUSR | S_IWUSR);
- if (fileFd == -1) {
- fprintf(stderr, "open error:%s\n", strerror(errno));
- return -1;
- }
- pContentLenStart=strstr(receiveBuf,CONTENT_LENGTH);//这里是为了获取HTTP响应头content-length大小。
- if(pContentLenStart!=0)
- {
- pContentLenEnd=strstr(pContentLenStart+strlen(CONTENT_LENGTH),"\r\n");
- if(pContentLenEnd!=0)
- {
- contentLen=myatoi(pContentLenStart,pContentLenEnd);
- #ifdef DEBUG
- printf("content-length:%d\n",contentLen);
- #endif
- count+= write(fileFd, last, ret - (last - receiveBuf));
- headerTag = 1;
- }else
- return -1;
- }else
- {
- return -1;
- }
- }else
- {
- return -2;//页面请求失败。
- }
- }
- #ifdef DEBUG
- printf("%s\n", receiveBuf);
- #endif
- } else {
- count+= write(fileFd, receiveBuf, ret);
- }
- }
- close(fileFd);
- }
- break;
- }
- if(count!=contentLen)
- {
- printf("接受长度与HTTP响应头长度不一致\n");
- return -1;
- }
- return count;
- }
五、解析网页源代码,得到所需要信息
我主要解析了博客的文章名,文章URL,访问次数,排名,积分,原创文章数,转载文章数,翻译文章数,评论数。源代码解析是按照所需要的信息在源代码中出现的顺序依次解析,先出现文章名,接着是文章的评论,发表日期等信息,接着解析博主的积分,等级等,***解析博主发表的文章数。解析用的最多的是strstr函数。函数功能:查找needle在haystack中***次出现的地址,查找成功,返回***次出现的地址,查找失败返回0.类似于c++ string的find_first_of函数。
- #include<string.h>
- char *strstr (char *haystack, const char *needle);
信息解析出来,需要存储下来。主要是存在自定义的数据结构里面。每一页(最多50篇文章)存储在struct Articles结构体里面,文章信息则存入struct ArticleInfo里面。页面存储结构如下图所示:
自定义的结构体:
- struct BloggerInfo
- {
- int visits;//访问次数
- int integral;//积分
- int ranking;//排名
- int artical_original;//原创文章数
- int artical_reproduce;//转载文章数
- int artical_translation;//翻译文章数
- int comments;//评论
- };
- struct ArticleInfo
- {
- char articleName[SMALLLEN];//文章标题
- char URL[SMALLLEN];//URL
- char createDate[25];//创建时间
- int visits;//访问时间
- int comments;//评论次数
- struct ArticleInfo *next;//下一篇文章地址
- };
- struct Articles
- {
- int page;//页数
- struct Articles * pageNext;//下一页所在地址
- struct ArticleInfo *firstArticle;//该页***篇文章地址
- struct ArticleInfo *currentArticle;//插入文章时使用,表示插入时的***一篇文章
- };
【编辑推荐】