来源：【51cto.com】
***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，帖子内容介于和
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。
自定义的结构体：
[cpp] view plaincopyprint?
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***后一篇文章
};
下面简单分析一下CSDN博客源代码。
博主标题：
[html] view plaincopyprint?
编程小子的专栏
锲而舍之,朽木不折;锲而不舍,金石可镂
文章标题和URL：
[html] view plaincopyprint?
ubuntu11.10搭建git服务器
文章访问次数，评论次数等：
[html] view plaincopyprint?
博客统计信息：
[html] view plaincopyprint?
[html] view plaincopyprint?
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******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：
[cpp] view plaincopyprint?
#include
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：
[cpp] view plaincopyprint?
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：
[cpp] view plaincopyprint?
/*
*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：
[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
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。***后以\r\n结束。
[cpp] view plaincopyprint?
/*
*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：
[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
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：
[cpp] view plaincopyprint?
/*
*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，***后解析博主发表的文章数。
解析用的***多的是strstr函数。
[cpp] view plaincopyprint?
#include
char *strstr (char *haystack, const char *needle);
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。
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(***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：
