如何优雅地使用c语言编写爬虫的方法

网址简介:未填写

更新时间:10个月前

访问次数:100

详细介绍

每个人都需要在和平时期或多或少地写网络爬虫,一般来说,Python是爬虫的首选,此外,Java和其他语言也是不错的选择,本文是爱站技术频道小编为大家整理的如何优雅地使用c语言编写爬虫的方法,一起进入下文了解一下吧!

1、爬虫的特性

配置方便。使用一句设置函数,即可定义user agent,cookie,timeout,proxy以及抓取线程和解析线程的最大数量。
程序逻辑独立。用户可以分别定义爬虫的解析函数,和数据持久化函数。并且对于解析到的新url,用户可以使用cspider提供的addUrl函数,将其加入到任务队列中。
便捷的字符串处理。cspider中提供了基于pcre的简单的正则表达式函数,基于libxml2的xpath解析函数,以及用于解析json的cJSON库。
高效的抓取。cspider基于libuv调度抓取线程和解析线程,使用curl作为其网络请求库。
2、使用cspider的步骤

  • 获取cspider_t。
  • 自定义user agent,cookie,timeout,proxy以及抓取线程和解析线程的最大数量。
  • 添加初始要抓取的url到任务队列。
  • 编写解析函数和数据持久化函数。
  • 启动爬虫。

3、例子

先来看下简单的爬虫例子,会在后面详细讲解例子。

 

  #include<cspider/spider.h>    /*    自定义的解析函数,d为获取到的html页面字符串  */  void p(cspider_t *cspider, char *d, void *user_data) {     char *get[100];   //xpath解析html   int size = xpath(d, "//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++) {   //将获取到的电影名称,持久化    saveString(cspider, get[i]);   }    }  /*    数据持久化函数,对上面解析函数中调用的saveString()函数传入的数据,进行进一步的保存  */  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";     //设置要抓取页面的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");   //设置user agent   cs_setopt_useragent(spider, agent);   //cs_setopt_cookie(spider, cookie);   //传入解析函数和数据持久化函数的指针   cs_setopt_process(spider, p, NULL);   //s函数的user_data指针指向stdout   cs_setopt_save(spider, s, stdout);   //设置线程数量   cs_setopt_threadnum(spider, DOWNLOAD, 2);   cs_setopt_threadnum(spider, SAVE, 2);   //FILE *fp = fopen("log", "wb+");   //cs_setopt_logfile(spider, fp);   //开始爬虫   return cs_run(spider);  }    

例子讲解

cspider_t *spider = init_cspider();获取初始的cspider。cs_setopt_xxx这类函数可以用来进行初始化设置。其中要注意的是: cs_setopt_process(spider,p,NULL);cs_setopt_save(spider,s,stdout);,它们分别设置了解析函数p和数据持久化函数s,这两个函数需要用户自己实现,还有用户自定义的指向上下文信息user_data的指针。在解析函数中,用户要定义解析的规则,并对解析得到的字符串可以调用saveString进行持久化,或者是调用addUrl将url加入到任务队列中。在saveString中传入的字符串会在用户自定义的数据持久函数中得到处理。此时,用户可以选择输出到文件或数据库等。
最后调用cs_run(spider)即可启动爬虫。

以上就是如何优雅地使用c语言编写爬虫的方法,如果你还是有不清楚的地方,你可以随时来关注爱站技术频道小编为大家推荐的知识,感谢你对爱站技术频道的支持。

请发表您的评论