linux-网页抓取

        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，第一没广告，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：

1. 解析域名(csdn.blog.net)，得到服务器IP地址
2. 与服务器端建立TCP连接
3. 发送HTTP请求
4. 得到服务器端响应，响应内容里面含有请求页面源代码
5. 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
6. 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
7. 跳转到第一步，请求每篇文章
8. 把文章保存到本地
9. 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：

#include<netdb.h>
struct hostent * gethostbyname(const char *hostname)

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。

函数中用到的hostent结构体，如下所示：

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：

/*
*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;
}

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。

三、发送HTTP请求

HTTP请求格式如下所示：

"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

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。
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。最后以\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：

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

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。

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，最后解析博主发表的文章数。

解析用的最多的是strstr函数。

#include<string.h>
char *strstr (char *haystack, const char *needle);

函数功能：查找needle在haystack中第一次出现的地址，查找成功，返回第一次出现的地址，查找失败返回0.类似于c++ string的find_first_of函数。

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;//该页第一篇文章地址
    struct ArticleInfo *currentArticle;//插入文章时使用，表示插入时的最后一篇文章
};