用C++实现网络爬虫技术（WinSock编程）

原文地址：http://blog.csdn.net/huangxy10/article/details/8120106

写了一个网络爬虫，可以抓取网上的图片。

需要给定初始网站即可。

在vs2010中编译通过。

需要使用多字节字符集进行编译，

vs2010默认的是Unicode字符集。

编译后，运行即可，有惊喜哦！！！

爬虫原理

从最开始的网址开始，在其中找到链接到其他网页的超链接，

放到一个网页队列里面保存起来，找到该网页的所有图片，下载下来。

查看网页队列是否为空，不为空则取出下一个网页，

提取该网页的超链接放入队列的后面，下载该网页所有图片。

如此循环往复。

主框架：

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://www.wmpic.me/tupian";

// 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;
}

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;
// 获取网页的响应，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 );
}

附上所有代码：

代码更新于1014-10-15。

[cpp] view
plain copy

print?





//#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://www.wmpic.me/tupian";

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;

}