　　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?

　　2012-05-14 15:09

　　閱讀(21)

　　評論(0)

　　博客統計信息：

　　[html] view plaincopyprint?

訪問：1218次

積分：164分

排名：千里之外

　　[html] view plaincopyprint?

原創：13篇

轉載：2篇

譯文：0篇

評論：1條

　　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：