來源：【51cto.com】
***近一直在學習stevens的unix網絡編程，對于網絡通信有了一定的認識，所以也想練練手。聊天程序之前用winsock做過，這次不想做重復的。之前看到一哥們寫過windows下抓取貓撲的帖子，我覺得抓頁面也是一個不錯想法。我也喜歡逛貓撲，有時候也去追追里面寫的文章，貓撲帖子少了一個很重要的功能，就是只看樓主的帖子。貓撲水人很多，容易把樓主的帖子淹沒在大海里面。
查看了一下貓撲帖子的網頁源代碼，帖子內容介于和
之間，只需要解析這段內容，就能得到自己想要的東西。不過里面東西比較多，比較雜，還是先找一個簡單頁面抓取試試。csdn博客相對來說就是個不錯的選擇，******沒廣告，內容不算很多，第二，代碼風格很好。抓CSDN的頁面無非獲得博主名，文章名字和URL等，如果想獲得更多的信息，可以把博主的排名，評論數抓取下來。
自定義的結構體：
[cpp] view plaincopyprint?
struct BloggerInfo
{
int visits;//訪問次數
int integral;//積分
int ranking;//排名
int artical_original;//原創文章數
int artical_reproduce;//轉載文章數
int artical_translation;//翻譯文章數
int comments;//評論
};
struct ArticleInfo
{
char articleName[SMALLLEN];//文章標題
char URL[SMALLLEN];//URL
char createDate[25];//創建時間
int visits;//訪問時間
int comments;//評論次數
struct ArticleInfo *next;//下一篇文章地址
};
struct Articles
{
int page;//頁數
struct Articles * pageNext;//下一頁所在地址
struct ArticleInfo *firstArticle;//該頁******篇文章地址
struct ArticleInfo *currentArticle;//插入文章時使用，表示插入時的***后一篇文章
};
下面簡單分析一下CSDN博客源代碼。
博主標題：
[html] view plaincopyprint?
編程小子的專欄
鍥而舍之,朽木不折;鍥而不舍,金石可鏤
文章標題和URL：
[html] view plaincopyprint?
ubuntu11.10搭建git服務器
文章訪問次數，評論次數等：
[html] view plaincopyprint?
博客統計信息：
[html] view plaincopyprint?
[html] view plaincopyprint?
從上面貼出的HTML可以看出，所需要的信息都在某一個id下，每個id是******的，這對解析是很有利的。我們只需要抓取到網頁，分析相應內容，得到想要的信息即可。
在確定CSDN博客是可以抓取后，就可以著手抓取。如何抓取?簡單來說，就是與CSDN博客服務器簡歷tcp連接，然后發送HTTP請求，得到響應。頁面抓取過程如下圖所示：
主要流程：
解析域名(csdn.blog.net)，得到服務器IP地址
與服務器端建立TCP連接
發送HTTP請求
得到服務器端響應，響應內容里面含有請求頁面源代碼
解析網頁源代碼，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
統計博主文章數，判斷是否有分頁，如果又分頁，則請求分頁內容，獲取分頁的文章URL
跳轉到******步，請求每篇文章
把文章保存到本地
根據需求看是否對文章進行處理
知道流程后，就可以著手編碼。先來看看我目前作出來的效果圖。
這里并不只是把文章信息解析出來，也把每篇博客具體內容給存到本地了。存在以博主名命名的文件夾下，每篇文章存在以文章命名的html文件中。
具體實現：
一、解析域名
采用gethostbyname方法。函數聲明如下：
[cpp] view plaincopyprint?
#include
struct hostent * gethostbyname(const char *hostname)
執行成功，返回非空指針，失敗返回空指針，并設置h_errno,可以通過hstrerror方法查看h_errno對應的錯誤提示信息。
函數中用到的hostent結構體，如下所示：
[cpp] view plaincopyprint?
struct hostent
{
char *h_name; /* 查詢主機的規范名字 */
char **h_aliases; /* 別名 */
int h_addrtype; /* 地址類型 */
int h_length; /* 地址個數 */
char **h_addr_list; /* 所有的地址 */
};
二、獲得IP地址后，與CSDN博客服務器建立TCP連接。
解析域名和建立TCP鏈接，我都放在一個自定義函數buildconnect里面。每次需要建立連接，我只需要調用這個方法即可。代碼如下：
[cpp] view plaincopyprint?
/*
*功能:獲得CSDN博客IP地址,并與CSDN服務器建立TCP連接
*參數：無
*返回值：非負描述字-成功，-1-出錯
*/
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) {//獲取CSDN博客服務器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;
}
不需要每一次都去解析域名，所以把域名存在一個static變量里面。
三、發送HTTP請求
HTTP請求格式如下所示：
[cpp] view plaincopyprint?
"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
說明：GET：表明是一個GET請求，還有POST請求(你可以模擬登陸，發送用戶名和密碼到服務端。不過現在CSDN登陸需要一個隨機碼驗證。這個不好辦)/lanyan822表示請求的頁面，HTTP1.1表示使用的版本。\r\n表示結束。
Accept：表示瀏覽器接受的MIME類型
Accept-Language：表示瀏覽器接受的語言類型
User-Agent:指瀏覽器的名字。呵呵，因為是模擬瀏覽器發請求，所以這里是假的
Host:服務器的域名和端口
Connection：用來告訴服務器是否可以維持固定的HTTP連接。HTTP/1.1使用Keep-Alive為默認值，這樣，當瀏覽器需要多個文件時(比如一個HTML文件和相關的圖形文件)，不需要每次都建立連接。這里我每次請求頁面后，我都選擇關閉。
這里需要注意的是：HTTP請求格式，千萬不能在里面多寫空格什么的。我之前一直請求頁面失敗就是因為里面多了空格。***后以\r\n結束。
[cpp] view plaincopyprint?
/*
*功能:發送HTTP請求,HTTP請求格式一定要正確,且不能有多余的空格.
*參數：sockfd：套接字，requestParam：http請求路徑
*返回值：寫入套接口的字節數-成功，-1：失敗
*/
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("請求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、接受服務端響應，并存儲請求頁面
HTTP響應包括響應頭和所請求頁面的源代碼。
HTTP響應頭如下所示：
[cpp] view plaincopyprint?
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
響應頭部也是以\r\n結束。所以可以通過\r\n\r\n來判斷響應頭部的結束位置。
實現源碼：
[cpp] view plaincopyprint?
/*
*功能:將服務端返回的html內容存入filePath中.這里使用了select函數.
*參數：sockfd：套接字，filePath:文件存儲路徑
*返回值：讀入套接字字節數-成功，-1-失敗，-2請求頁面返回狀態值非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");//服務端返回消息頭部和網頁html內容.消息頭部也是以\r\n\r\n結尾.
if (first != 0) {
last = first + strlen("\r\n\r\n");
ok_loc=strstr(receiveBuf,"OK");//如果請求成功，狀態碼是200，并且有OK
if(ok_loc!=0)
{
#ifdef DEBUG
printf("頁面請求成功\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);//這里是為了獲取HTTP響應頭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;//頁面請求失敗。
}
}
#ifdef DEBUG
printf("%s\n", receiveBuf);
#endif
} else {
count+= write(fileFd, receiveBuf, ret);
}
}
close(fileFd);
}
break;
}
if(count!=contentLen)
{
printf("接受長度與HTTP響應頭長度不一致\n");
return -1;
}
return count;
}
五、解析網頁源代碼，得到所需要信息
我主要解析了博客的文章名，文章URL，訪問次數，排名，積分，原創文章數，轉載文章數，翻譯文章數，評論數。
源代碼解析是按照所需要的信息在源代碼中出現的順序依次解析，先出現文章名，接著是文章的評論，發表日期等信息，接著解析博主的積分，等級等，***后解析博主發表的文章數。
解析用的***多的是strstr函數。
[cpp] view plaincopyprint?
#include
char *strstr (char *haystack, const char *needle);
函數功能：查找needle在haystack中******次出現的地址，查找成功，返回******次出現的地址，查找失敗返回0.類似于c++ string的find_first_of函數。
信息解析出來，需要存儲下來。主要是存在自定義的數據結構里面。每一頁(***多50篇文章)存儲在struct Articles結構體里面，文章信息則存入struct ArticleInfo里面。頁面存儲結構如下圖所示：
中文字幕在线精品不卡_正在播放露脸一区_久久综合欧美_www.男人天堂
