C++语言实现网络爬虫详细代码

最近有关注到某论坛在讨论网络爬虫用python或者java等语言写有多么多么好，其实这种没法具体说哪个好，只能说各自有各自的优点，下文就是关于我使用C++语言写的爬虫代码，对于我来说挺简单的，可以供大家参考下。

算法讲解：

1、遍历资源网站。

2、获取html信息。

3、然后解析网址和图片url下载。

4、递归调用搜索网址。

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。
1
2

//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 );  
}  
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

然后附上代码：

```cpp
#include "stdafx.h"
 
//#include  
#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 <
} 
 
//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 ="; 
    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://desk.zol.com.cn/bizhi/7018_87137_2.html"; 
    //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; 
}  <br><br><br>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304

1