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_DEBUGfprintf(stderr, "gethostbyname: %s\n", strerror(errno));#endifreturn -1;}#ifdef SPIDER_DEBUGprintf("IP: %s\n", inet_ntoa(*((struct in_addr *)web_host->h_addr_list[0])));#endifreturn 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_DEBUGfprintf(stderr, "socket: %s\n", strerror(errno));#endifreturn -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_DEBUGfprintf(stderr, "connect: %s\n", strerror(errno));#endifreturn -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_DEBUGfprintf(stderr, "send: %s\n", strerror(errno));#endifreturn -1;}#ifdef SPIDER_DEBUGprintf("request:\n%s\n", request);#endifreturn 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 fdsetvoid FD_SET(int fd, fd_set *fdset); // turn on the bit for fd in fdsetvoid FD_CLR(int fd, fd_set *fdset); // turn off the bit for fd in fdsetint  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);timeout.tv_sec  = 30;timeout.tv_usec = 0;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_DEBUGfprintf(stderr, "select: %s\n", strerror(errno));#endifreturn -1;}else if (0 == ret) {/*超时, 继续轮询*/#ifdef SPIDER_DEBUGfprintf(stderr, "select timeout: %s\n", spider->blog->b_title);#endifgoto 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_DEBUGfprintf(stderr, "fopen: %s\n", strerror(errno));#endifreturn -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_DEBUGprintf("\nspider size = %d\n", spider_size(spider_head));#endifreturn 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。