快捷導(dǎo)航

如何優(yōu)雅地使用c語(yǔ)言編寫爬蟲

更新時(shí)間：2015年12月10日 16:56:42 投稿：lijiao

如何優(yōu)雅地使用c語(yǔ)言編寫爬蟲，本文介紹cspider爬蟲庫(kù)，這個(gè)cspider爬蟲庫(kù)的使命在于，我們能夠使用c語(yǔ)言，依然能夠優(yōu)雅地編寫爬蟲程序，需要的朋友可以參考下

大家在平時(shí)或多或少地都會(huì)有編寫網(wǎng)絡(luò)爬蟲的需求。一般來說，編寫爬蟲的首選自然非python莫屬，除此之外，java等語(yǔ)言也是不錯(cuò)的選擇。選擇上述語(yǔ)言的原因不僅僅在于它們均有非常不錯(cuò)的網(wǎng)絡(luò)請(qǐng)求庫(kù)和字符串處理庫(kù)，還在于基于上述語(yǔ)言的爬蟲框架非常之多和完善。良好的爬蟲框架可以確保爬蟲程序的穩(wěn)定性，以及編寫程序的便捷性。所以，這個(gè)cspider爬蟲庫(kù)的使命在于，我們能夠使用c語(yǔ)言，依然能夠優(yōu)雅地編寫爬蟲程序。

1、爬蟲的特性

配置方便。使用一句設(shè)置函數(shù)，即可定義user agent，cookie，timeout，proxy以及抓取線程和解析線程的最大數(shù)量。
程序邏輯獨(dú)立。用戶可以分別定義爬蟲的解析函數(shù)，和數(shù)據(jù)持久化函數(shù)。并且對(duì)于解析到的新url，用戶可以使用cspider提供的addUrl函數(shù)，將其加入到任務(wù)隊(duì)列中。
便捷的字符串處理。cspider中提供了基于pcre的簡(jiǎn)單的正則表達(dá)式函數(shù)，基于libxml2的xpath解析函數(shù)，以及用于解析json的cJSON庫(kù)。
高效的抓取。cspider基于libuv調(diào)度抓取線程和解析線程，使用curl作為其網(wǎng)絡(luò)請(qǐng)求庫(kù)。
2、使用cspider的步驟

獲取cspider_t。
自定義user agent，cookie，timeout，proxy以及抓取線程和解析線程的最大數(shù)量。
添加初始要抓取的url到任務(wù)隊(duì)列。
編寫解析函數(shù)和數(shù)據(jù)持久化函數(shù)。
啟動(dòng)爬蟲。

3、例子

先來看下簡(jiǎn)單的爬蟲例子，會(huì)在后面詳細(xì)講解例子。

#include<cspider/spider.h>

/*
  自定義的解析函數(shù)，d為獲取到的html頁(yè)面字符串
*/
void p(cspider_t *cspider, char *d, void *user_data) {

 char *get[100];
 //xpath解析html
 int size = xpath(d, "http://body/div[@class='wrap']/div[@class='sort-column area']/div[@class='column-bd cfix']/ul[@class='st-list cfix']/li/strong/a", get， 100);

 int i;
 for (i = 0; i < size; i++) {
 //將獲取到的電影名稱，持久化
  saveString(cspider, get[i]);
 }

}
/*
  數(shù)據(jù)持久化函數(shù)，對(duì)上面解析函數(shù)中調(diào)用的saveString()函數(shù)傳入的數(shù)據(jù)，進(jìn)行進(jìn)一步的保存
*/
void s(void *str, void *user_data) {
 char *get = (char *)str;
 FILE *file = (FILE*)user_data;
 fprintf(file, "%s\n", get);
 return;
}

int main() {
 //初始化spider
 cspider_t *spider = init_cspider();
 char *agent = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.10; rv:42.0) Gecko/20100101 Firefox/42.0";
 //char *cookie = "bid=s3/yuH5Jd/I; ll=108288; viewed=1130500_24708145_6433169_4843567_1767120_5318823_1899158_1271597; __utma=30149280.927537245.1446813674.1446983217.1449139583.4; __utmz=30149280.1449139583.4.4.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/login; ps=y; ue=965166527@qq.com; dbcl2=58742090:QgZ2PSLiDLQ; ck=T9Wn; push_noty_num=0; push_doumail_num=7; ap=1; __utmb=30149280.0.10.1449139583; __utmc=30149280";

 //設(shè)置要抓取頁(yè)面的url
 cs_setopt_url(spider, "so.tv.sohu.com/list_p1100_p20_p3_u5185_u5730_p40_p5_p6_p77_p80_p9_2d1_p101_p11.html");
 //設(shè)置user agent
 cs_setopt_useragent(spider, agent);
 //cs_setopt_cookie(spider, cookie);
 //傳入解析函數(shù)和數(shù)據(jù)持久化函數(shù)的指針
 cs_setopt_process(spider, p, NULL);
 //s函數(shù)的user_data指針指向stdout
 cs_setopt_save(spider, s, stdout);
 //設(shè)置線程數(shù)量
 cs_setopt_threadnum(spider, DOWNLOAD, 2);
 cs_setopt_threadnum(spider, SAVE, 2);
 //FILE *fp = fopen("log", "wb+");
 //cs_setopt_logfile(spider, fp);
 //開始爬蟲
 return cs_run(spider);
}

例子講解

cspider_t *spider = init_cspider();獲取初始的cspider。cs_setopt_xxx這類函數(shù)可以用來進(jìn)行初始化設(shè)置。其中要注意的是: cs_setopt_process(spider,p,NULL);與cs_setopt_save(spider,s,stdout);，它們分別設(shè)置了解析函數(shù)p和數(shù)據(jù)持久化函數(shù)s，這兩個(gè)函數(shù)需要用戶自己實(shí)現(xiàn)，還有用戶自定義的指向上下文信息user_data的指針。在解析函數(shù)中，用戶要定義解析的規(guī)則，并對(duì)解析得到的字符串可以調(diào)用saveString進(jìn)行持久化，或者是調(diào)用addUrl將url加入到任務(wù)隊(duì)列中。在saveString中傳入的字符串會(huì)在用戶自定義的數(shù)據(jù)持久函數(shù)中得到處理。此時(shí)，用戶可以選擇輸出到文件或數(shù)據(jù)庫(kù)等。
最后調(diào)用cs_run(spider)即可啟動(dòng)爬蟲。

趕快使用cspider爬蟲框架來編寫爬蟲吧！

您可能感興趣的文章: