c语言实现的易用的高效的网络爬虫框架:)。
##安装与使用方法:
make
- 接着要配置动态库,将
.so
文件和.h
文件移动到相应的位置,命令如下:
make install
- 这时,就可以开始编译你写好的文件(例如
test.c
),命令如下:
gcc -o test test.c -lcspider -I /usr/include/libxml2
其中,
-lcspider
将链接我们上述编译完成的cspider动态链接库,而-I /usr/include/libxml2
则是让编译器能够找到libxml2库的头文件,当然你最好使用Makefile文件。
##API
###初始化设置
-
cspider_t *init_cspider()
在程序一开始的时候,获取到cspider_t
变量。是必不可少的函数。 -
void cs_setopt_url(cspider_t *, char *)
为cspider_t
设置程序启动时要抓取的url,在第二个参数传入url字符串即可,url字符串可以不用包含http://
或htpps://
。可以多次调用,即可插入多个url任务。 -
void cs_setopt_cookie(cspider_t *, char *)
第二个参数设置cookie,格式为var1=abc; var2=qwe
。可选项。 -
void cs_setopt_useragent(cspider_t *, char *)
第二个参数设置user agent,可选项。 -
void cs_setopt_proxy(cspider_t *, char *)
第二个参数设置代理的地址,可选项。 -
void cs_setopt_timeout(cspider_t *, long)
设置超时时间,单位为毫秒,可选项。 -
void cs_setopt_logfile(cspider_t *, FILE *)
设置输出日志的打印文件,可选项。不设置,则不会输出日志。 -
void cs_setopt_process(cspider_t *, void (*process)(cspider_t *, char*, void *), void *)
设置解析函数process,解析函数process的第二个参数为抓取到的完整的数据字符串,第三个参数void*指向用户自定义的上下文信息。该上下文指针通过cs_setopt_process
的第三个参数来设置。 -
void cs_setopt_save(cspider_t *, void (*save)(void*, void*), void*)
设置数据持久化函数save,save的参数中第一个指针指向解析函数传入的信息,第二个指针指向用户自定义的上下文信息。该上下文指针同样通过cs_setopt_save
的第三个参数来设置。 -
void cs_setopt_threadnum(cspider_t *cspider, int , int )
设置线程的数量,其中,第二个参数,可以传入DOWNLOAD
与SAVE
,分别表示,将要设置下载线程的数量,或是解析与保存线程的数量。第三个参数为要设置的线程的数量。可选项,默认的线程数量均为5个。 -
int cs_run(cspider_t *)
启动cspider的函数,在程序的最后调用。
###自定义函数部分
-
void saveString(cspider_t *, char *)
在自定义的解析函数中,可以调用此函数。数据持久化,将字符串传入自定义的数据持久化函数。 -
void addUrl(cspider_t *cspider, char *url)
在自定义的解析函数中,调用此函数。可以将解析获取到的url,再次加入任务队列。
###解析工具API
-
正则表达式:
-
int regexAll(const char *regex, char *str, char **res, int num, int flag);
regex : 正则匹配的规则
str : 待匹配的字符串
res : 用来保存返回的字符串的数组
num : res数组的大小
flag : 可为REGEX_ALL
和REGEX_NO_ALL
,输出全部,或者只是匹配的部分。
返回获取的字符串的个数 -
int match(char *regex, char *str);
是否匹配。返回1表示成功,返回0标示失败。
-
-
xpath解析html和xml
int xpath(char *xml, char *path, char **get, int num);
xml : 待匹配的字符串
path : xpath规则
get : 保存返回字符串的数组
num : get数组的大小
返回获取的字符串的个数
-
解析json
cspider里集成了cJSON库,可以非常方便地解析json。具体的使用方法,请看这里。
##使用例子 输出乐视电影页面,第一页的所有电影名称。
#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; [email protected]; 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);
}