erbanlage / cspider

便捷又易用的c语言爬虫框架

CSpider

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：

• 确认你的电脑中，已经安装下面的库：
  • curl
  • libuv
  • libxml2
  • pcre
• 进入core文件夹，编译文件，命令如下：

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

1. 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。

2. 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

3. 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);
}