百度360必应搜狗淘宝本站头条
当前位置:网站首页 > 热门文章 > 正文

C++ 网络爬虫实现

bigegpt 2024-11-27 11:44 8 浏览

最近有个概念得很火,网络爬虫,但是基本都是用什么python或者JAVA写,貌似很少看到用c++写的,我在网上找了一个,看到其实还是很简单的算法

算法讲解:1.遍历资源网站

     2.获取html信息

     3.然后解析网址和图片url下载。

     4.递归调用搜索网址

BFS是最重要的处理:


先是获取网页响应,保存到文本里面,然后找到其中的图片链接HTMLParse,

下载所有图片DownLoadImg。

//广度遍历  
void BFS( const string & url ){  
	char * response;  
	int bytes;  
	// 获取网页的相应,放入response中。  
	if( !GetHttpResponse( url, response, bytes ) ){  
		cout << "The url is wrong! ignore." << endl;  
		return;  
	}  
	string httpResponse=response;  
	free( response );  
	string filename = ToFileName( url );  
	ofstream ofile( "./html/"+filename );  
	if( ofile.is_open() ){  
		// 保存该网页的文本内容  
		ofile << httpResponse << endl;  
		ofile.close();  
	}  
	vector<string> imgurls;  
	//解析该网页的所有图片链接,放入imgurls里面  
	HTMLParse( httpResponse,  imgurls, url );  

	//下载所有的图片资源  
	DownLoadImg( imgurls, url );  
}  


然后附上代码:

#include "stdafx.h"


//#include <Windows.h>

#include <string>

#include <iostream>

#include <fstream>

#include <vector>

#include "winsock2.h"

#include <time.h>

#include <queue>

#include <hash_set>


#pragma comment(lib, "ws2_32.lib")

using namespace std;


#define DEFAULT_PAGE_BUF_SIZE 1048576


queue<string> hrefUrl;

hash_set<string> visitedUrl;

hash_set<string> visitedImg;

int depth=0;

int g_ImgCnt=1;


//解析URL,解析出主机名,资源名

bool ParseURL( const string & url, string & host, string & resource){

if ( strlen(url.c_str()) > 2000 ) {

return false;

}


const char * pos = strstr( url.c_str(), "http://" );

if( pos==NULL ) pos = url.c_str();

else pos += strlen("http://");

if( strstr( pos, "/")==0 )

return false;

char pHost[100];

char pResource[2000];

sscanf( pos, "%[^/]%s", pHost, pResource );

host = pHost;

resource = pResource;

return true;

}


//使用Get请求,得到响应

bool GetHttpResponse( const string & url, char * &response, int &bytesRead ){

string host, resource;

if(!ParseURL( url, host, resource )){

cout << "Can not parse the url"<<endl;

return false;

}


//建立socket

struct hostent * hp= gethostbyname( host.c_str() );

if( hp==NULL ){

cout<< "Can not find host address"<<endl;

return false;

}


SOCKET sock = socket( AF_INET, SOCK_STREAM, IPPROTO_TCP);

if( sock == -1 || sock == -2 ){

cout << "Can not create sock."<<endl;

return false;

}


//建立服务器地址

SOCKADDR_IN sa;

sa.sin_family = AF_INET;

sa.sin_port = htons( 80 );

//char addr[5];

//memcpy( addr, hp->h_addr, 4 );

//sa.sin_addr.s_addr = inet_addr(hp->h_addr);

memcpy( &sa.sin_addr, hp->h_addr, 4 );


//建立连接

if( 0!= connect( sock, (SOCKADDR*)&sa, sizeof(sa) ) ){

cout << "Can not connect: "<< url <<endl;

closesocket(sock);

return false;

};


//准备发送数据

string request = "GET " + resource + " HTTP/1.1\r\nHost:" + host + "\r\nConnection:Close\r\n\r\n";


//发送数据

if( SOCKET_ERROR ==send( sock, request.c_str(), request.size(), 0 ) ){

cout << "send error" <<endl;

closesocket( sock );

return false;

}


//接收数据

int m_nContentLength = DEFAULT_PAGE_BUF_SIZE;

char *pageBuf = (char *)malloc(m_nContentLength);

memset(pageBuf, 0, m_nContentLength);


bytesRead = 0;

int ret = 1;

cout <<"Read: ";

while(ret > 0){

ret = recv(sock, pageBuf + bytesRead, m_nContentLength - bytesRead, 0);


if(ret > 0)

{

bytesRead += ret;

}


if( m_nContentLength - bytesRead<100){

cout << "\nRealloc memorry"<<endl;

m_nContentLength *=2;

pageBuf = (char*)realloc( pageBuf, m_nContentLength); //重新分配内存

}

cout << ret <<" ";

}

cout <<endl;


pageBuf[bytesRead] = '\0';

response = pageBuf;

closesocket( sock );

return true;

//cout<< response <<endl;

}


//提取所有的URL以及图片URL

void HTMLParse ( string & htmlResponse, vector<string> & imgurls, const string & host ){

//找所有连接,加入queue中

const char *p= htmlResponse.c_str();

char *tag="href=\"";

const char *pos = strstr( p, tag );

ofstream ofile("url.txt", ios::app);

while( pos ){

pos +=strlen(tag);

const char * nextQ = strstr( pos, "\"" );

if( nextQ ){

char * url = new char[ nextQ-pos+1 ];

//char url[100]; //固定大小的会发生缓冲区溢出的危险

sscanf( pos, "%[^\"]", url);

string surl = url; // 转换成string类型,可以自动释放内存

if( visitedUrl.find( surl ) == visitedUrl.end() ){

visitedUrl.insert( surl );

ofile << surl<<endl;

hrefUrl.push( surl );

}

pos = strstr(pos, tag );

delete [] url; // 释放掉申请的内存

}

}

ofile << endl << endl;

ofile.close();


tag ="<img ";

const char* att1= "src=\"";

const char* att2="lazy-src=\"";

const char *pos0 = strstr( p, tag );

while( pos0 ){

pos0 += strlen( tag );

const char* pos2 = strstr( pos0, att2 );

if( !pos2 || pos2 > strstr( pos0, ">") ) {

pos = strstr( pos0, att1);

if(!pos) {

pos0 = strstr(att1, tag );

continue;

} else {

pos = pos + strlen(att1);

}

}

else {

pos = pos2 + strlen(att2);

}


const char * nextQ = strstr( pos, "\"");

if( nextQ ){

char * url = new char[nextQ-pos+1];

sscanf( pos, "%[^\"]", url);

cout << url<<endl;

string imgUrl = url;

if( visitedImg.find( imgUrl ) == visitedImg.end() ){

visitedImg.insert( imgUrl );

imgurls.push_back( imgUrl );

}

pos0 = strstr(pos0, tag );

delete [] url;

}

}

cout << "end of Parse this html"<<endl;

}


//把URL转化为文件名

string ToFileName( const string &url ){

string fileName;

fileName.resize( url.size());

int k=0;

for( int i=0; i<(int)url.size(); i++){

char ch = url[i];

if( ch!='\\'&&ch!='/'&&ch!=':'&&ch!='*'&&ch!='?'&&ch!='"'&&ch!='<'&&ch!='>'&&ch!='|')

fileName[k++]=ch;

}

return fileName.substr(0,k) + ".txt";

}


//下载图片到img文件夹

void DownLoadImg( vector<string> & imgurls, const string &url ){


//生成保存该url下图片的文件夹

string foldname = ToFileName( url );

foldname = "./img/"+foldname;

if(!CreateDirectory( foldname.c_str(),NULL ))

cout << "Can not create directory:"<< foldname<<endl;

char *image;

int byteRead;

for( int i=0; i<imgurls.size(); i++){

//判断是否为图片,bmp,jgp,jpeg,gif

string str = imgurls[i];

int pos = str.find_last_of(".");

if( pos == string::npos )

continue;

else{

string ext = str.substr( pos+1, str.size()-pos-1 );

if( ext!="bmp"&& ext!="jpg" && ext!="jpeg"&& ext!="gif"&&ext!="png")

continue;

}

//下载其中的内容

if( GetHttpResponse(imgurls[i], image, byteRead)){

if ( strlen(image) ==0 ) {

continue;

}

const char *p=image;

const char * pos = strstr(p,"\r\n\r\n")+strlen("\r\n\r\n");

int index = imgurls[i].find_last_of("/");

if( index!=string::npos ){

string imgname = imgurls[i].substr( index , imgurls[i].size() );

ofstream ofile( foldname+imgname, ios::binary );

if( !ofile.is_open() )

continue;

cout <<g_ImgCnt++<< foldname+imgname<<endl;

ofile.write( pos, byteRead- (pos-p) );

ofile.close();

}

free(image);

}

}

}


//广度遍历

void BFS( const string & url ){

char * response;

int bytes;

// 获取网页的相应,放入response中。

if( !GetHttpResponse( url, response, bytes ) ){

cout << "The url is wrong! ignore." << endl;

return;

}

string httpResponse=response;

free( response );

string filename = ToFileName( url );

ofstream ofile( "./html/"+filename );

if( ofile.is_open() ){

// 保存该网页的文本内容

ofile << httpResponse << endl;

ofile.close();

}

vector<string> imgurls;

//解析该网页的所有图片链接,放入imgurls里面

HTMLParse( httpResponse, imgurls, url );


//下载所有的图片资源

DownLoadImg( imgurls, url );

}


void main()

{

//初始化socket,用于tcp网络连接

WSADATA wsaData;

if( WSAStartup(MAKEWORD(2,2), &wsaData) != 0 ){

return;

}


// 创建文件夹,保存图片和网页文本文件

CreateDirectory( "./img",0);

CreateDirectory("./html",0);

//string urlStart = "http://hao.360.cn/meinvdaohang.html";


// 遍历的起始地址

string urlStart = "http://desk.zol.com.cn/bizhi/7018_87137_2.html";

//string urlStart = "http://item.taobao.com/item.htm?spm=a230r.1.14.19.sBBNbz&id=36366887850&ns=1#detail";


// 使用广度遍历

// 提取网页中的超链接放入hrefUrl中,提取图片链接,下载图片。

BFS( urlStart );


// 访问过的网址保存起来

visitedUrl.insert( urlStart );


while( hrefUrl.size()!=0 ){

string url = hrefUrl.front(); // 从队列的最开始取出一个网址

cout << url << endl;

BFS( url ); // 遍历提取出来的那个网页,找它里面的超链接网页放入hrefUrl,下载它里面的文本,图片

hrefUrl.pop(); // 遍历完之后,删除这个网址

}

WSACleanup();

return;

} <br><br><br>

相关推荐

悠悠万事,吃饭为大(悠悠万事吃饭为大,什么意思)

新媒体编辑:杜岷赵蕾初审:程秀娟审核:汤小俊审签:周星...

高铁扒门事件升级版!婚宴上‘冲喜’老人团:我们抢的是社会资源

凌晨两点改方案时,突然收到婚庆团队发来的视频——胶东某酒店宴会厅,三个穿大红棉袄的中年妇女跟敢死队似的往前冲,眼瞅着就要扑到新娘的高额钻石项链上。要不是门口小伙及时阻拦,这婚礼造型团队熬了三个月的方案...

微服务架构实战:商家管理后台与sso设计,SSO客户端设计

SSO客户端设计下面通过模块merchant-security对SSO客户端安全认证部分的实现进行封装,以便各个接入SSO的客户端应用进行引用。安全认证的项目管理配置SSO客户端安全认证的项目管理使...

还在为 Spring Boot 配置类加载机制困惑?一文为你彻底解惑

在当今微服务架构盛行、项目复杂度不断攀升的开发环境下,SpringBoot作为Java后端开发的主流框架,无疑是我们手中的得力武器。然而,当我们在享受其自动配置带来的便捷时,是否曾被配置类加载...

Seata源码—6.Seata AT模式的数据源代理二

大纲1.Seata的Resource资源接口源码2.Seata数据源连接池代理的实现源码3.Client向Server发起注册RM的源码4.Client向Server注册RM时的交互源码5.数据源连接...

30分钟了解K8S(30分钟了解微积分)

微服务演进方向o面向分布式设计(Distribution):容器、微服务、API驱动的开发;o面向配置设计(Configuration):一个镜像,多个环境配置;o面向韧性设计(Resista...

SpringBoot条件化配置(@Conditional)全面解析与实战指南

一、条件化配置基础概念1.1什么是条件化配置条件化配置是Spring框架提供的一种基于特定条件来决定是否注册Bean或加载配置的机制。在SpringBoot中,这一机制通过@Conditional...

一招解决所有依赖冲突(克服依赖)

背景介绍最近遇到了这样一个问题,我们有一个jar包common-tool,作为基础工具包,被各个项目在引用。突然某一天发现日志很多报错。一看是NoSuchMethodError,意思是Dis...

你读过Mybatis的源码?说说它用到了几种设计模式

学习设计模式时,很多人都有类似的困扰——明明概念背得滚瓜烂熟,一到写代码就完全想不起来怎么用。就像学了一堆游泳技巧,却从没下过水实践,很难真正掌握。其实理解一个知识点,就像看立体模型,单角度观察总...

golang对接阿里云私有Bucket上传图片、授权访问图片

1、为什么要设置私有bucket公共读写:互联网上任何用户都可以对该Bucket内的文件进行访问,并且向该Bucket写入数据。这有可能造成您数据的外泄以及费用激增,若被人恶意写入违法信息还可...

spring中的资源的加载(spring加载原理)

最近在网上看到有人问@ContextConfiguration("classpath:/bean.xml")中除了classpath这种还有其他的写法么,看他的意思是想从本地文件...

Android资源使用(android资源文件)

Android资源管理机制在Android的开发中,需要使用到各式各样的资源,这些资源往往是一些静态资源,比如位图,颜色,布局定义,用户界面使用到的字符串,动画等。这些资源统统放在项目的res/独立子...

如何深度理解mybatis?(如何深度理解康乐服务质量管理的5个维度)

深度自定义mybatis回顾mybatis的操作的核心步骤编写核心类SqlSessionFacotryBuild进行解析配置文件深度分析解析SqlSessionFacotryBuild干的核心工作编写...

@Autowired与@Resource原理知识点详解

springIOCAOP的不多做赘述了,说下IOC:SpringIOC解决的是对象管理和对象依赖的问题,IOC容器可以理解为一个对象工厂,我们都把该对象交给工厂,工厂管理这些对象的创建以及依赖关系...

java的redis连接工具篇(java redis client)

在Java里,有不少用于连接Redis的工具,下面为你介绍一些主流的工具及其特点:JedisJedis是Redis官方推荐的Java连接工具,它提供了全面的Redis命令支持,且...