最近用C寫了個爬蟲，純屬練習，離實用還相差甚遠。
下載源碼：ISeeSpider
bloom.h實現布隆過濾器算法。對一條url拆分為domain和path兩部分，bloomDomain函數判斷domain是否出現過，bloomPath函數判斷path是否出現過。如果domain未出現過，則要先進行DNS解析（解析之后把domain和ip對存入map），再下載網頁；如果domain出現過，則不需要再進行DNS解析，此時如果path也出現過，則該url直接忽略；如果是新的url，需要放入queue。
建立好socket connection后向連接寫入http request，然后把sockfd放入epoll中，同時sockfd設為非阻塞式的。當sockfd准備就緒后，就說明可以從sockfd中讀取http response數據（即下載網頁）了。對於每一個下載網頁的任務創建一個分離的子線程去完成。
下載網頁時，一邊下載，一邊抽取超鏈接放入待爬取的url queue。此時對於每一個下載需要單獨創建一個buffer，比如我把buffer的大小設為1K，則每次從sockfd中read時，最多讀取1K的數據。從buffer中提取出所有超鏈接，然后整個buffer左移，把包含所有超鏈接的最短子串移出去。實際上還可以繼續左移，直到一個空格移到buffer的首位置為止，記下此時buffer中還有多少數據（記為left_size）。則下次從sockfd中read時，需要讀取的數據量為1k - left_size。
每次從buffer中讀取了一些url，去除已下載過的url，再去除已存在於map<domain,ip>中的，剩下的需要進行一次DNS異步解析（使用libevent）。libevent是非線程安全的，即event_base不被多個線程share，所以我每次調用libevent時在一個線程中完成event_base和創建和釋放，即一次完整DNS異步解析是在一個線程中就完成的。
每個線程完成下載網頁的工作后，從url_queue中讀出1個或2個url（epoll中的sockfd比較少時就2個，否則就1個），建立sockte connect，發出http request，然后把sockfd加入到主線程的epoll中去，最后子線程退出。
下面給個程序運行時的截圖：
