Socket網絡編程--網絡爬蟲(1)

　　我們這個系列准備講一下--網絡爬蟲。網絡爬蟲是搜索引擎系統中十分重要的組成部分，它負責從互聯網中搜集網頁，采集信息，這些網頁信息用於建立索引從而為搜索引擎提供支持，它決定着整個引擎系統的內容是否豐富，信息是否即時，因此其性能的優劣直接影響着搜索引擎的效果。網絡爬蟲的基本工作原理：

　　(1)從一個初始URL集合中挑選一個URL，下載該URL對應的頁面；
　　(2)解析該頁面，從該頁面中抽取出其包含的URL集合，接下來將抽取的URL集合再添加到初始URL集合中；
　　(3)重復前兩個過程，直到爬蟲達到某種停止標准為止。

　　當然作為才學網絡編程不久的我肯定不能講那么復雜的東西了。在這一小節我們將實現用C語言來下載一個網頁。

　　實現下載一個網頁

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <sys/types.h>
#include <sys/socket.h>
#include <unistd.h>
#include <netdb.h>
#include <netinet/in.h>
#include <arpa/inet.h>

#define BUF_SIZE 4096

int main(int argc,char *argv[])
{
    struct sockaddr_in servAddr;
    struct hostent * host;
    int sockfd;
    char sendBuf[BUF_SIZE],recvBuf[BUF_SIZE];
    int sendSize,recvSize;

    host=gethostbyname(argv[1]);
    if(host==NULL)
    {
        perror("dns 解析失敗");
    }
    servAddr.sin_family=AF_INET;
    servAddr.sin_addr=*((struct in_addr *)host->h_addr);
    servAddr.sin_port=htons(atoi(argv[2]));
    bzero(&(servAddr.sin_zero),8);

    sockfd=socket(AF_INET,SOCK_STREAM,0);
    if(sockfd==-1)
    {
        perror("socket 創建失敗");
    }

    if(connect(sockfd,(struct sockaddr *)&servAddr,sizeof(struct sockaddr_in))==-1)
    {
        perror("connect 失敗");
    }

    //構建一個http請求
    sprintf(sendBuf,"GET / HTTP/1.1 \r\nHost: %s \r\nConnection: keep-alive \r\n\r\n",argv[1]);
    if((sendSize=send(sockfd,sendBuf,BUF_SIZE,0))==-1)
    {
        perror("send 失敗");
    }
    //獲取http應答信息
    memset(recvBuf,0,sizeof(recvBuf));
    while(recvSize=recv(sockfd,recvBuf,BUF_SIZE,0))
    {
        printf("%s",recvBuf);
        memset(recvBuf,0,sizeof(recvBuf));
    }

    return 0;
}

　　關於上面的構建HTTP請求的部分，可以參考網上資料或者我的博客上也有簡單講解一些(了解HTTP協議 http://www.cnblogs.com/wunaozai/p/3733432.html)

　　HTTP請求由三部分組成，分別是請求行，消息報頭，請求正文。我就簡單說一下上面用到的請求吧。首先GET / HTTP/1.1 表示使用GET請求方式獲取/(根目錄)，使用的是http1.1版本(這個1.1好像用了很久，2.0已經開始推行了。)下一個是Host: 是發送請求資源的Internet主機和端口號。默認的端口號是80.好了一個看起來很復雜的http請求就這兩個是必須的，其他的可以不用寫的。你看是不是很容易啊。其他的參數等用到的時候在講好了。還有一個注意點，就是一個http請求的附加信息是一行一個的。每一行我們要用\r\n表示回車換行。而請求報頭的結束標記是一個空行。所以你看上面的請求報頭是以\r\n\r\n來結束的。

　　接下來就來試一下我們這個程序到底能不能用。我們先在本地搭建一個http服務器。放進去一個Hello World來看一下。

　　上面那一大堆是響應(Respond)報頭。第一行是，使用http1.1版本協議，此次的您的連接(客戶端)是200 OK 正常的。下一行是時間，服務器用的是apache。第8行Content-Length: 86表示下面的html總共有86個字節(不信，你數數看？)。下面再給一張博客園的主頁的返回信息。

　　上面的程序我運行是有時會出現一個問題就是獲取的網頁不完整。不知道為什么，然后我把BUF_SIZE改小一點為512就不會，也不知道為什么。然后還有一個問題就是我拉取www.baidu.com 就不知道為什么是活拉不了，不知道是不是因為我的請求報頭太少的原因？

　　參考資料:

　　http://www.cnblogs.com/coser/archive/2012/06/29/2570535.html

　　http://blog.csdn.net/gueter/article/details/1524447

　　本文地址:

　　http://www.cnblogs.com/wunaozai/p/3900134.html