自己动手编写CSDN博客备份工具-blogspider之源码分析(3)

作者：gzshun. 原创作品，转载请标明出处！
来源：http://blog.csdn.net/gzshun

周星驰：剪头发不应该看别人怎么剪就发神经跟流行，要配合啊！你看你的发型，完全不配合你的脸型脸型又不配合身型，身型又和发型完全不搭，而且极度不配合啊！！欢哥！你究竟要怎么样啊？ 《算死草》

在开篇，先happy下，新年到，开开心心过好年！
已经写了几篇文章，把代码贡献给有需要的人，这里列出前几篇文章，需要的马上跳转，麻利的。。
《自己动手编写CSDN博客备份工具-blogspider》

《自己动手编写CSDN博客备份工具-blogspider之源码分析(1)》

《自己动手编写CSDN博客备份工具-blogspider之源码分析(2)》

本文是blogspider最重要的部分，开始要下载并分析CSDN博客，把博文的URL分析出来，添加进链表，GO!

一.先下载博客主页到本地的index.html

下载网页到本地的步骤：
建立连接 -> 连接网站服务器 -> 发送请求 -> 接收响应 -> 保存到本地
connect_web -> send_request -> recv_response
源码说话：

/***************************************************************** 下载个人的博客主页 *****************************************************************/ static int download_index(blog_spider * spider_head) { int ret; ret = connect_web(spider_head); if (ret < 0) { goto fail_download_index; } ret = send_request(spider_head); if (ret < 0) { goto fail_download_index; } ret = recv_response(spider_head); if (ret < 0) { goto fail_download_index; } close(spider_head->blog->b_sockfd); return 0; fail_download_index: close(spider_head->blog->b_sockfd); return -1; }

二.建立连接，并连接网站服务器

先从"blog.csdn.net"主机名获取到IP地址，如下：

/********************************************************** 根据主机名获取到主机信息,主要是获取到IP地址. **********************************************************/ static int get_web_host(const char * hostname) { /*get host ip*/ web_host = gethostbyname(hostname); if (NULL == web_host) { #ifdef SPIDER_DEBUG fprintf(stderr, "gethostbyname: %s\n", strerror(errno)); #endif return -1; } #ifdef SPIDER_DEBUG printf("IP: %s\n", inet_ntoa(*((struct in_addr *)web_host->h_addr_list[0]))); #endif return 0; }

开始初始化套接字，连接网站服务器：

/********************************************************** 初始化SOCKET,并连接到网站服务器 **********************************************************/ static int connect_web(const blog_spider * spider) { int ret; struct sockaddr_in server_addr; /*init socket*/ spider->blog->b_sockfd = socket(AF_INET, SOCK_STREAM, 0); if (spider->blog->b_sockfd < 0) { #ifdef SPIDER_DEBUG fprintf(stderr, "socket: %s\n", strerror(errno)); #endif return -1; } memset(&server_addr, 0, sizeof(server_addr)); server_addr.sin_family = AF_INET; server_addr.sin_port = htons(spider->blog->b_port); server_addr.sin_addr = *((struct in_addr *)web_host->h_addr_list[0]); ret = connect(spider->blog->b_sockfd, (struct sockaddr *)&server_addr, sizeof(server_addr)); if (ret < 0) { #ifdef SPIDER_DEBUG fprintf(stderr, "connect: %s\n", strerror(errno)); #endif return -1; } return 0; }

三.发送请求到网站服务器

HTTP协议里面比较重要的有俩方法：GET和POST
向网站服务器发送请求：
GET %s HTTP/1.1\r\n
Accept: */*\r\n
Accept-Language: zh-cn\r\n
User-Agent: Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)\r\n
Host: %s:%d\r\n
Connection: Close\r\n\r\n
GET后面跟的是请求的文件，剩下的是一些基本信息，该协议头的结束标志是一个空行，所以程序可以通过判断"\r\n\r\n"为结束标志。具体HTTP协议可以上网搜索一些资料，这里不做介绍。

源码说话：

/********************************************************** 向网站服务器发送请求 **********************************************************/ static int send_request(const blog_spider * spider) { int ret; char request[BUFSIZE]; memset(request, 0, sizeof(request)); sprintf(request, "GET %s HTTP/1.1\r\n" "Accept: */*\r\n" "Accept-Language: zh-cn\r\n" "User-Agent: Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)\r\n" "Host: %s:%d\r\n" "Connection: Close\r\n" "\r\n", spider->blog->b_page_file, spider->blog->b_host, spider->blog->b_port); ret = send(spider->blog->b_sockfd, request, sizeof(request), 0); if (ret < 0) { #ifdef SPIDER_DEBUG fprintf(stderr, "send: %s\n", strerror(errno)); #endif return -1; } #ifdef SPIDER_DEBUG printf("request:\n%s\n", request); #endif return 0; }

周星驰：扫地只不过是我的表面工作，我真正地身份是一位研究僧（生）。《少林足球》
轻松一下，继续。。。

四.接收响应消息

向网站服务器发送了请求，当然必须在本地开始接收。由于可能是网速慢的原因，接收响应消息与消息正体速度有点慢。这里使用了select函数与FD_SET集合来处理，当监听到socket可读，才开始读取消息并保存到本地。

/*************************************************************************************** 接受网站服务器的反馈信息,得到请求的文件内容 向服务器发送请求信息或者服务器的响应消息,以空行结束,所以可以用"\r\n\r\n"来判断结束标志 select: int select (int maxfdp1, fd_set *readset, fd_set *writeset, fd_set *exceptset, const struct timeval * timeout); >0: 正确 -1: 出错 0 : 超时 void FD_ZERO(fd_set *fdset); // clear all bits in fdset void FD_SET(int fd, fd_set *fdset); // turn on the bit for fd in fdset void FD_CLR(int fd, fd_set *fdset); // turn off the bit for fd in fdset int FD_ISSET(int fd, fd_set *fdset); // is the bit for fd on in fdset ***************************************************************************************/ static int recv_response(const blog_spider * spider) { int ret, end, recvsize, count; char recvbuf[BUFSIZE]; fd_set read_fds; struct timeval timeout; FILE *fp; /*建议时间要长点, select失败可能的原因是收到网站的响应消息超时*/ timeout.tv_sec = 30; timeout.tv_usec = 0; while (1) { FD_ZERO(&read_fds); FD_SET(spider->blog->b_sockfd, &read_fds); ret = select(spider->blog->b_sockfd+1, &read_fds, NULL, NULL, &timeout); if (-1 == ret) { /*出错,直接返回错误*/ #ifdef SPIDER_DEBUG fprintf(stderr, "select: %s\n", strerror(errno)); #endif return -1; } else if (0 == ret) { /*超时, 继续轮询*/ #ifdef SPIDER_DEBUG fprintf(stderr, "select timeout: %s\n", spider->blog->b_title); #endif goto fail_recv_response; } /*接受到数据*/ if (FD_ISSET(spider->blog->b_sockfd, &read_fds)) { end = 0; count = 0; /*这里出错可能是文件名不规则,比如"3/5",'/'在Linux是代表目录*/ fp = fopen(spider->blog->b_local_file, "w+"); if (NULL == fp) { goto fail_recv_response; } spider->blog->b_download = BLOG_DOWNLOAD; while (read(spider->blog->b_sockfd, recvbuf, 1) == 1) { if(end< 4) { if(recvbuf[0] == '\r' || recvbuf[0] == '\n') { end++; } else { end = 0; } /*这里是http服务器反馈的消息头,若需要,则可以保存下来*/ } else { fputc(recvbuf[0], fp); count++; if (1024 == count) { fflush(fp); } } } fclose(fp); break; } } return 0; fail_recv_response: spider->blog->b_download = BLOG_UNDOWNLOAD; return -1; }

五.获取CSDN博客的URL，与博客的发表日期，阅读次数，评论次数，并添加进爬虫链表

/***************************************************************** 分析个人的博客主页, 获取所有文章的URL, 将博客信息添加到爬虫链表中. *****************************************************************/ static int analyse_index(blog_spider *spider_head) { FILE *fp; int ret; int len; int reads, comments; char *posA, *posB, *posC, *posD; char line[BUFSIZE*4] = {0}; char tmpbuf[BUFSIZE] = {0}; char tmpbuf2[BUFSIZE] = {0}; char page_file[BUFSIZE] = {0}; char url[BUFSIZE] = {0}; char title[BUFSIZE] = {0}; char date[BUFSIZE] = {0}; fp = fopen(spider_head->blog->b_local_file, "r"); if (fp == NULL) { #ifdef SPIDER_DEBUG fprintf(stderr, "fopen: %s\n", strerror(errno)); #endif return -1; } while (1) { if (feof(fp)) { break; } /*查找博客*/ while (fgets(line, sizeof(line), fp)) { posA = strstr(line, HTML_ARTICLE); if (posA) { /*查找博客网址*/ posA += strlen(HTML_ARTICLE) + strlen(BLOG_HREF); posB = strchr(posA, '"'); *posB = 0; memset(page_file, 0, sizeof(page_file)); memset(url, 0, sizeof(url)); strcpy(page_file, posA); sprintf(url, "%s%s", CSDN_BLOG_URL, posA); /*查找博客标题*/ posB += 1; posC = strstr(posB, BLOG_TITLE); /*与博客地址处在同一行*/ posC += strlen(BLOG_TITLE); posD = strstr(posC, "\">"); *posD = 0; memset(title, 0, sizeof(title)); strcpy(title, posC); /*查找博客发表日期*/ while (fgets(line, sizeof(line), fp)) { posA = strstr(line, BLOG_DATE); if (posA) { posA += strlen(BLOG_DATE); posB = strstr(posA, BLOG_SPAN_END); *posB = 0; memset(date, 0, sizeof(date)); strcpy(date, posA); break; } } /*查找博客阅读次数*/ while (fgets(line, sizeof(line), fp)) { posA = strstr(line, BLOG_READ); if (posA) { posA += strlen(BLOG_READ); posB = strchr(posA, '(') + 1; posC = strchr(posB, ')'); *posC = 0; reads = atoi(posB); break; } } /*查找博客评论次数*/ while (fgets(line, sizeof(line), fp)) { posA = strstr(line, BLOG_COMMENT); if (posA) { posA += strlen(BLOG_COMMENT); posB = strchr(posA, '(') + 1; posC = strchr(posB, ')'); *posC = 0; comments = atoi(posB); break; } } spider_head->blog->b_download = BLOG_DOWNLOAD; blog_spider *spider; ret = init_spider(&spider); if (ret < 0) { return -1; } spider->blog->b_page_file = strdup(page_file); spider->blog->b_url = strdup(url); spider->blog->b_date = strdup(date); spider->blog->b_reads = reads; spider->blog->b_comments = comments; spider->blog->b_seq_num = ++g_seq_num; memset(tmpbuf, 0, sizeof(tmpbuf)); sprintf(tmpbuf, "%d.%s", spider->blog->b_seq_num, title); spider->blog->b_title = strdup(tmpbuf); memset(tmpbuf, 0, sizeof(tmpbuf)); memset(tmpbuf2, 0, sizeof(tmpbuf2)); strcpy(tmpbuf2, spider->blog->b_title); strfchr(tmpbuf2); sprintf(tmpbuf, "%s/%s.html", csdn_id, tmpbuf2); spider->blog->b_local_file = strdup(tmpbuf); /*将博客插入博客爬虫链表*/ insert_spider(spider_head, spider); fputc('.', stdout); } } } fclose(fp); #ifdef SPIDER_DEBUG printf("\nspider size = %d\n", spider_size(spider_head)); #endif return 0; }

代码本身已经注释得很清楚了，看注释就够了。HTTP协议涉及到很多知识点，有空可以写写程序来练练手，blogspider效率上还是不够高，有空添加线程处理，同时下载多个博客，这样才能提高效率。

需要blogspider的源代码，可以留下E-mail。