先给自己定个目标,抓取豆瓣上所有的科幻电影的名称和类型信息,并保存文件。代码越短越好。下面是我的代码:
#include<cspider/spider.h>
typedef struct {
char *getTitle[20];
char *getDesc[20];
int size;
} Movie;
//开始入口的 url
char *begin = "www.douban.com/tag/%E7%A7%91%E5%B9%BB/movie";
void p(cspider_t *cspider, char *d, char *url, void *user_data) {
Movie *movie = (Movie*)malloc(sizeof(Movie));
char *urls[20];
int sizeTitle = xpath(d, "//div[@id='content']/div[@class='grid-16-8 clearfix']/div[@class='article']/div[@class='mod movie-list']/dl/dd/a", movie->getTitle, 20);
int sizeDesc = xpath(d, "//div[@id='content']/div[@class='grid-16-8 clearfix']/div[@class='article']/div[@class='mod movie-list']/dl/dd/div[@class='desc']", movie->getDesc, 20);
int sizeUrl = xpath(d, "//div[@id='content']/div[@class='grid-16-8 clearfix']/div[@class='article']/div[@class='paginator']/a/@href", urls, 20);
movie->size = sizeTitle;
saveString(cspider, (void*)movie, LOCK);
char *newUrl[sizeUrl];
int i;
//拼接成新的 url
for (i = 0; i < sizeUrl; i++) {
newUrl[i] = (char*)malloc(sizeof(char) * (strlen(begin) + strlen(urls[i]) + 1));
strcat(newUrl[i], begin);
strcat(newUrl[i], urls[i]);
}
//添加新 url 到任务队列
if (movie->size > 0) {
addUrls(cspider, newUrl, sizeUrl);
}
//回收
freeStrings(newUrl, sizeUrl);
freeStrings(urls, sizeUrl);
freeStrings(movie->getTitle, sizeTitle);
freeStrings(movie->getDesc, sizeDesc);
free(movie);
}
void s(void *str, void *user_data) {
Movie *get = (Movie*)str;
FILE *file = (FILE*)user_data;
int i;
for (i = 0; i < get->size; i++) {
fprintf(file, "名称:%s\n", get->getTitle[i]);
fprintf(file, "类别:%s\n", get->getDesc[i]);
}
}
int main() {
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; _pk_ref.100001.8cb4=%5B%22%22%2C%22%22%2C1450940218%2C%22http%3A%2F%2Fmovie.douban.com%2Ftag%2F%22%5D; _pk_id.100001.8cb4=8196f325b29ea5c3.1444265431.9.1450943478.1449364495.; ll=108288; viewed=1130500_24708145_6433169_4843567_1767120_5318823_1899158_1271597; __utma=30149280.927537245.1446813674.1449139583.1450940286.5; __utmz=30149280.1450940286.5.5.utmcsr=book.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/; ps=y; [email protected]; push_noty_num=0; push_doumail_num=7; ap=1; _pk_ses.100001.8cb4=*; gr_user_id=5f4ee24f-d7bc-4b0b-9322-ceb1d208ee36; __utmb=30149280.17.10.1450940286; __utmc=30149280; ct=y; as=http://www.douban.com/tag/%E7%A7%91%E5%B9%BB/movie";
cs_setopt_url(spider, begin);
cs_setopt_useragent(spider, agent);
cs_setopt_cookie(spider, cookie);
FILE *file = fopen("./movies.txt", "wb+");
//指向自定义的解析函数,和数据持久化函数
cs_setopt_process(spider, p, NULL);
cs_setopt_save(spider, s, file);
return cs_run(spider);
}
一共 60 行左右,还可以。就是得手动回收内存,还有字符串处理,这两点使得代码比较丑陋,和 python 和 java 没得比。我用的爬虫框架是cspider。大家觉得,如果要让这个爬虫框架更完善,让我们用 c 写爬虫更爽,还需要实现什么呢?
cspider 的项目地址在 https://github.com/luohaha/CSpider ,欢迎来 star 和 fork !
cspider 爬虫框架的目标就是让我们用 c 语言写爬虫时,能像用 python 写爬虫那么方便。虽然道路遥远~~
1
TJT 2015-12-24 17:00:22 +08:00 via Android 1
然后你就这么随便把 cookie 发上来了?
|
3
zhy 2015-12-24 17:21:28 +08:00
楼主自己写的,别不好意思嘛 -.-
|
4
mzer0 2015-12-24 17:39:17 +08:00 via iPhone
cookie 怎么来的?
|
9
jise 2015-12-24 21:11:26 +08:00
Mark~
|
10
yxzblue 2015-12-24 23:35:01 +08:00
厉害!
|
12
jugelizi 2015-12-25 00:00:37 +08:00
楼主的 QQ 哈啊哈
|
13
oojiayu 2015-12-25 00:11:38 +08:00
|
14
fxxkgw 2015-12-25 08:55:41 +08:00
学习了。
|
15
quietin 2015-12-25 10:22:18 +08:00
网页上带页码下标的并不是它的所有电影。。。
|
18
zyearn 2015-12-25 12:07:00 +08:00 1
之前用 C++写过一个基于事件的知乎爬虫,底层全部纯手写,不依赖任何库,有兴趣的可以看看... https://github.com/zyearn/zhihuCrawler
|
19
glogo 2015-12-25 12:58:43 +08:00
233333
|
22
luohaha OP @quietin 在 www.douban.com/tag/%E7%A7%91%E5%B9%BB/movie 这里是科幻电影的第一页,爬虫爬取这一页后,在这页的底部会有其它页的链接,爬虫会将这些链接再次加入任务队列,继续往下抓取。因为提供了 bloom filter ,所以也不用担心会有重复 url 的问题。
|
23
pypy 2015-12-25 15:14:58 +08:00
求教: C 写爬虫的优势在哪儿?
|
26
luohaha OP @pypy 我做了一个 c 语言的爬虫框架 cspider ,上面这个爬虫就是用 cspider ( https://github.com/luohaha/CSpider )写的。做 cspider 的目的就是要让我们用 c 语言写爬虫时也能够像 python 一样方便和高效。当然,这个框架好比较早期,现阶段离目标还比较远,还需要不断地努力和完善。
|
27
quietin 2015-12-25 16:45:50 +08:00
@luohaha 我的意思就是你把下面那页码都抓了也不是全部的,你自己看看那链接的 start ,连 1000 都不到就不给你数据了
|
33
Killian 2015-12-25 18:08:10 +08:00
一般网站会做 大页数 翻页请求优化 比如只返回你 35 的数据 因为这种查询性能很低
|
34
luohaha OP @Killian 我作为一个正常用户,用浏览器访问豆瓣电影,翻到 35 页之后没有电影了,这是翻页请求优化?连用户都不用正常使用的优化。。
|
35
kelos 2015-12-25 19:53:29 +08:00
像一些 web 的通讯工作之类的,你们都可以抓?
|
36
geekboy 2015-12-25 20:00:04 +08:00
前几天用 java 在抓,现在豆瓣 apikey 不让申请了,我也遇到过几次 403~
|
40
njutree 2015-12-25 22:02:32 +08:00
@luohaha 正常用户翻到 35 页也说明了用户的搜索不准确,用户应该做的是使用更准确的词再搜索才是更好的方式。不然除了给爬虫的人有便利其实意义不大,而且做过后端的人都知道分布式分页的问题。
|
41
luohaha OP @njutree 好吧确实没有遇见过这么判别爬虫的。。一般都是根据抓取间隔, ip 等。。不过我无聊的时候会在一个分类下,一页一页地翻找电影看,如果真是你说的这样,看来以前我都是被豆瓣当成爬虫了。。
|
43
decaywood 2015-12-25 22:38:34 +08:00
cookie 写死了,你得引入 cookie 过期重新获取功能,不然有点废
|
45
decaywood 2015-12-25 22:46:30 +08:00
java 版的股票爬虫也写过一个, https://github.com/decaywood/XueQiuSuperSpider ,爬虫这东西个人认为,可以根据抓取数据的生命周期划分一下模块,每个模块提供相应的可拔插机制,方便程序进行技术迭代,可以有效提高程序的生命力、
|
47
lx19930805 2015-12-26 10:34:07 +08:00
我比较好奇的是楼上说的,一般人只能看到几页,后面更多的看不到了.
对于刚接触的我来说,我比较想知道如何获取更多. 不过我发现一个问题?为什么我直接改后面的页数回车后不能直接跳到指定页数,而是刷新第一页呢? |
50
angryRabbit 2015-12-26 22:35:27 +08:00
就想问一下,楼主写单元测试了吗?
|
51
luohaha OP @angryRabbit 写了,不过我习惯最后删掉。。
|
52
luohaha OP @angryRabbit 我想象不出不写测试单元,如何开发稍大点的程序
|
54
wizardforcel 2016-01-01 18:32:21 +08:00
为啥不用 go 写
go 就是没有分号的 c 语言 并且处理字符串还方便一些 |