目的:写一个爬虫程序,可以进入http开头的网页,将网页的源代码显示出来.
结果展示:
思路:
1.解析网址
2.连接服务器->发请求
3.接收源代码并存储起来
函数:
1.解析网址函数:
http://......./......
//....../之间的字符我们将其存储到urlAddr[]当中
/......之后的字符我们将其存储到urlPath[]当中
//存放网址char urlAddr[256];//存放网址后面的路径char urlPath[256];
//解析网址void analysisAddr(char* str){//每次解析之前先把数组清空memset(urlAddr,0,256);memset(urlPath,0, 256);//找str字符串当中的 "http://" 如果找到则输出"http://"地址给了*pchar* p = strstr(str, "http://");if (p == NULL){return;}p += 7;//scanf 从cmd输入 sscanf 从第一个参数输入sscanf(p, "%[^/]%s", urlAddr,urlPath);printf("网站:%s\n",urlAddr);printf("网站后面:%s\n", urlPath);}
strstr(str,"http://");的含义在于,先找到str字符串当中"http://"的位置
如果str字符串当中不存在"http://"字符 则返回
否则+7,因为"http://"是7个字符
sscanf从p当前的第一个参数输入,urlAddr字符串的内容一直从p的开端到"/"字符
urlPath字符串的内容是从/之后
然后将两个字符串打印在窗口上.
2.连接服务器->发请求
void connectAddr(char* urlAddr) {//设置网络协议版本//选中按下f12可以看这个函数的内容WSADATA wsaData;WSAStartup(MAKEWORD(2,2),&wsaData);//创建sockets_socket = socket(AF_INET, SOCK_STREAM, NULL);//绑定SOCKADDR_IN addr = { 0 };addr.sin_family = AF_INET;int r = bind(s_socket, (sockaddr*)&addr, sizeof addr);if (r == -1){printf("绑定失败!\n");return;}printf("绑定成功!\n");//获取主机的IP地址//从字符串变成一个IP地址struct hostent* p = gethostbyname(urlAddr);if (NULL == p){printf("获取主机地址失败!\n");return;}printf("获取主机地址成功!\n");//把服务器的协议地址zu设置好memcpy(&addr.sin_addr, p->h_addr, 4);addr.sin_port = htons(80);//连接主机 r = connect(s_socket,(sockaddr*)&addr, sizeof addr);if (-1 == r){printf("连接服务器失败!\n");}printf("连接服务器成功!\n");//发请求string reqInfo = "GET " + (string)urlPath + "HTTP/1.1\r\nhost:"+(string)urlAddr + "\r\nConnection:Close\r\n\r\n";r = send(s_socket, reqInfo.c_str(), reqInfo.size(), NULL);if (r <= 0){printf("发送失败!\n");return;}printf("发送请求到服务器成功!\n");}
3.接收源代码并存储起来
//接收源代码并存储起void getHtml(){string allHtml;//存放网页源代码的字符串int r;char buff[1024];while (1){//从服务器接收数据并放到buff里r = recv(s_socket, buff, 1023, NULL);if (r > 0){buff[r] = 0;//添加结束符号allHtml += buff;}else//没有接到{break;}}printf("------------------我们获得的网页源代码如下--------------------");cout << allHtml << endl;}
可以将上面三个函数封装在一个函数当中
//爬void snapJpg(char* begAddr)\{//解析网址 -> http:// -> 网络的IP地址别名 网站的地址和二级地址<二级地址也就是路径>analysisAddr(begAddr);//连接服务器//发请求connectAddr(urlAddr);//接收源代码并存储起getHtml();}
主函数:
int main(){char buff[256] = { 0 };//安放网页链接printf("请输入一个网页链接:");scanf("%s",buff);snapJpg(buff);while (1);return 0;}
总代码:
#include<graphics.h>#include<cstdio>#include<stdio.h>#include<cstring>#include<stdlib.h>#include<winsock2.h>#pragma comment(lib,"ws2_32.lib")#include<windows.h>#include<iostream>#include<string.h>using namespace std;#pragma warning(disable:4996)//忽略4996错误提示//服务器套接字SOCKET s_socket;//存放网址char urlAddr[256];//存放网址后面的路径char urlPath[256];//连接服务器//发请求void connectAddr(char* urlAddr);//接收源代码并存储起void getHtml();//解析网址void analysisAddr(char*str);//封装一个爬图片的函数void snapJpg(char* begAddr);int main(){char buff[256] = { 0 };//安放网页链接printf("请输入一个网页链接:");scanf("%s",buff);snapJpg(buff);while (1);return 0;}//爬图片void snapJpg(char* begAddr)\{//解析网址 -> http:// -> 网络的IP地址别名 网站的地址和二级地址<二级地址也就是路径>analysisAddr(begAddr);//连接服务器//发请求connectAddr(urlAddr);//接收源代码并存储起getHtml();}//解析网址void analysisAddr(char* str){//每次解析之前先把数组清空memset(urlAddr,0,256);memset(urlPath,0, 256);//找str字符串当中的 "http://" 如果找到则输出"http://"地址给了*pchar* p = strstr(str, "http://");if (p == NULL){return;}p += 7;//scanf 从cmd输入 sscanf 从第一个参数输入sscanf(p, "%[^/]%s", urlAddr,urlPath);printf("网站:%s\n",urlAddr);printf("网站后面:%s\n", urlPath);}//连接服务器void connectAddr(char* urlAddr) {//设置网络协议版本//选中按下f12可以看这个函数的内容WSADATA wsaData;WSAStartup(MAKEWORD(2,2),&wsaData);//创建sockets_socket = socket(AF_INET, SOCK_STREAM, NULL);//绑定SOCKADDR_IN addr = { 0 };addr.sin_family = AF_INET;int r = bind(s_socket, (sockaddr*)&addr, sizeof addr);if (r == -1){printf("绑定失败!\n");return;}printf("绑定成功!\n");//获取主机的IP地址//从字符串变成一个IP地址struct hostent* p = gethostbyname(urlAddr);if (NULL == p){printf("获取主机地址失败!\n");return;}printf("获取主机地址成功!\n");//把服务器的协议地址zu设置好memcpy(&addr.sin_addr, p->h_addr, 4);addr.sin_port = htons(80);//连接主机 r = connect(s_socket,(sockaddr*)&addr, sizeof addr);if (-1 == r){printf("连接服务器失败!\n");}printf("连接服务器成功!\n");//发请求string reqInfo = "GET " + (string)urlPath + "HTTP/1.1\r\nhost:"+(string)urlAddr + "\r\nConnection:Close\r\n\r\n";r = send(s_socket, reqInfo.c_str(), reqInfo.size(), NULL);if (r <= 0){printf("发送失败!\n");return;}printf("发送请求到服务器成功!\n");}//接收源代码并存储起void getHtml(){string allHtml;//存放网页源代码的字符串int r;char buff[1024];while (1){//从服务器接收数据并放到buff里r = recv(s_socket, buff, 1023, NULL);if (r > 0){buff[r] = 0;//添加结束符号allHtml += buff;}else//没有接到{break;}}printf("------------------我们获得的网页源代码如下--------------------");cout << allHtml << endl;}
爬虫 :
限制:http网页服务器
主要知识点:http协议 广度优先遍历算法 stl之map,vector,queue 正则表达式 文件操作
思路: http://.....进入网站页面
获取这个网页的源代码
注意:
搜索/ 会导致403 Forbidden
403 Forbidden错误一般在爬虫采集数据时出现的频率比较多,在爬虫使用代理IP的时候因为不停地访问服务器终端,频发请求时,服务器终端压力过大,触发了反爬虫机制,导致服务器会拒绝这个IP的访问请求,这个时候如果不切换掉被禁用的IP地址,肯定会影响正常的数据采集效率,所以就需要设置时间来定时切换IP地址。IP代理最核心的功能,就是可以更换各个城市不同的IP地址,而且可以隐藏本地的真实IP地址。
分析爬虫全代码:
引用博客:
C/C++实现最简单的爬虫_Mason_Zhao的博客-CSDN博客_c++实现爬虫