C++（SOCKET）简单爬虫制作

先给出代码：(我使用的是VS编译器，需要在项目-》project属性-》

#include <iostream>
#include <stdio.h>
#include <string>
#include <cstdlib>
#include <fstream>
#include <WinSock2.h>

using namespace std;

#pragma warning(disable:4996)
//忽略VS特有警告
#pragma comment(lib, "ws2_32.lib")
//加载ws2_32.dll
#define BUFF_SIZE 1024

int ncount = ;
string host, pos;

SOCKET ConnectFunc(string host, string pos) {
    WSADATA wsaData;
    SOCKET serv;
    //创建套接字
    if (WSAStartup(MAKEWORD(, ), &wsaData) != ) {//初始化DLL
        cout << "WSAStartup() Failed:" << WSAGetLastError() << endl;
        system("PAUSE");
        return -;
    }

    serv = socket(AF_INET, SOCK_STREAM, IPPROTO_TCP);
    //初始化套接字
    if (serv == INVALID_SOCKET) {
        cout << "socket() Failed:" << WSAGetLastError() << endl;
        system("PAUSE");
        return -;
    }

    struct hostent *pt = gethostbyname(host.c_str());//解析域名IP
    if (!pt) {
        cerr << "Get IP Error!!!" << endl;
        system("PAUSE");
        return -;
    }
    struct sockaddr_in serv_addr;
    //创建结构体sockaddr_in结构体变量，绑定套接字
    memcpy(&serv_addr.sin_addr, pt->h_addr, );
    //自动响应服务器IP
    serv_addr.sin_family = AF_INET;
    //IPv4
    serv_addr.sin_port = htons();
    //端口

    /*输出服务器IP
    for (int i = 0; pt->h_addr_list[i]; i++) {
        printf("IP addr %d: %s\n", i + 1, inet_ntoa(*(struct in_addr*)pt->h_addr_list[i]));
    }
    */

    if (connect(serv, (LPSOCKADDR)&serv_addr, sizeof(SOCKADDR)) == SOCKET_ERROR) {//连接服务器
        cout << "connect() Failed:" << WSAGetLastError() << endl;
        system("PAUSE");
        return -;
    }//与服务器建立连接

    string request = "GET " + pos + " HTTP/1.1\r\nHost:" + host + "\r\nConnection:Close\r\n\r\n";
    //向服务器请求图片资源(发送到服务器的命令)
    if (send(serv, request.c_str(), request.size(), ) == SOCKET_ERROR) {
        cout << "send() Failed:" << WSAGetLastError() << endl;
        closesocket(serv);
        system("PAUSE");
        return -;
    }//发送指令消息

    return serv;
    //返回套接字
}

void DownloadPicture() {
    SOCKET serv_in = ConnectFunc(host, pos);
    //连接服务器

    char buffer[BUFF_SIZE] = {  };
    //数据缓存文件

    string a = "G:\\Pictures\\", name;
    cout << "picture name:";
    cin >> name;
    a = a + name + ".png";
    //文件命名

    FILE *fp = fopen(a.c_str(), "wb+");
    //创建文件

    if (NULL == fp) {
        cerr << "Open File" << endl;
        system("PAUSE");
        exit(-);
    }

    ncount = recv(serv_in, buffer, BUFF_SIZE, );
    //跳过不需要信息(状态行和消息报头）

    char *infor = strstr(buffer, "\r\n\r\n");
    //区分条件
    fwrite(infor + strlen("\r\n\r\n"), sizeof(char), ncount - (infor - buffer) - strlen("\r\n\r\n"), fp);
    //丢弃不需要数据
    for (; (ncount = recv(serv_in, buffer, BUFF_SIZE, )) > ;) {
        fwrite(buffer, sizeof(char), BUFF_SIZE, fp);
        Sleep();
    }//循环写入数据

    fclose(fp);
    //关闭文件流指针
    closesocket(serv_in);
    //断开连接，清除套接字
}

int main()
{
    CreateDirectory(L"G:\Pictures", NULL);
    /*创建文件夹,如果程序报错就用下面这个
    CreateDirectoryA("G:\Pictures", NULL);
    */

    host = "images.cnblogs.com";
    //cin >> host;
    //输入要爬的网站地址
    pos = "/cnblogs_com/Mayfly-nymph/1233628/o_images.png";
    //cin >> pos;
    //图片在服务器中的位置
    DownloadPicture();
    //下载图片
    system("PAUSE");
    return ;
}

程序中：

1. 这里图片保存在G盘，没有G盘改成其他盘。
2. 对文件命名可以替换成自动命名，比如命名：1.png, 2.png...
3. 下载链接可以切换成输入，还可以加上一个循环（加上结束条件）。
4. 数据操作可以用C++的，个人习惯C的。

思路（简单来说）：

1. 先把连接服务器的结构搭建好（作客户端），IP地址利用gethostbyname()函数获取。
2. 向服务器发送获取资源命令。
3. 接受数据并过滤不需要信息。
4. 写入文件

1.搭建框架

首先我们将网络连接的一个结构搭建好：

 WSADATA wsaData;
 SOCKET serv;

 WSAStartup(MAKEWORD(, ), &wsaData)

 serv = socket(AF_INET, SOCK_STREAM, IPPROTO_TCP);

 struct hostent *pt = gethostbyname(host.c_str());

 struct sockaddr_in serv_addr;
 memcpy(&serv_addr.sin_addr, pt->h_addr, );
 serv_addr.sin_family = AF_INET;
 serv_addr.sin_port = htons();

 connect(serv, (LPSOCKADDR)&serv_addr, sizeof(SOCKADDR))

 send(serv, request.c_str(), request.size(), )

其中唯一需要注意的就是，IP地址的连接。因为我们输入的是域名，所以需要利用到gethostbyname()函数解析域名。（要了解这个函数：点击一下）

这是一个解析域名的小程序：

#include <stdio.h>
#include <stdlib.h>
#include <WinSock2.h>
#pragma comment(lib, "ws2_32.lib")

int main(){
    WSADATA wsaData;
    WSAStartup( MAKEWORD(, ), &wsaData);

    struct hostent *host = gethostbyname("www.baidu.com");
    if(!host){
        puts("Get IP address error!");
        system("pause");
        exit();
    }

    //别名
    for(int i=; host->h_aliases[i]; i++){
        printf("Aliases %d: %s\n", i+, host->h_aliases[i]);
    }

    //地址类型
    printf("Address type: %s\n", (host->h_addrtype==AF_INET) ? "AF_INET": "AF_INET6");

    //IP地址
    for(int i=; host->h_addr_list[i]; i++){
        printf("IP addr %d: %s\n", i+, inet_ntoa( *(struct in_addr*)host->h_addr_list[i] ) );
    }

    system("pause");
    return ;
}

2.指令发送

我们与服务器成功连接之后，向服务器发送HTTP请求报头。

string request = "GET " + pos + " HTTP/1.1\r\nHost:" + host + "\r\nConnection:Close\r\n\r\n";

（借用）

GET 请求获取Request-URI所标识的资源;

name 所标识的资源;

HTTP/1.1 表示请求的HTTP协议版本;

Host:url  指定被请求资源的Internet主机和端口号，通常从HTTP URL中提取出来的，

比如 我们在浏览器中输入http://baidu.com/index.html浏览器发送的请求消息中，就会包含Host请求报头域，如下： Host：www.baidu.com

此处使用缺省端口号80，若指定了端口号，则变成：Host：www.baidu.com:port

Connection:Close Connection字段用于设定是否使用长连接，在http1.1中默认是使用长连接的，即Connection的值为Keep-alive，如果不想使用长连接则需要明确指出connection的值为close

Connection:Close表明当前正在使用的tcp链接在请求处理完毕后会被断掉。以后client再进行新的请求时就必须创建新的tcp链接了，即必须从新创建socket

详细了解：点击一下

3.获取资源

在接收和解释请求消息后，服务器会返回一个HTTP响应消息。

　　与HTTP请求类似，HTTP响应也是由三个部分组成，分别是：状态行，消息报头，相应正文。

　　状态行由协议版本，数字形式的状态代码，相应的状态描述组成，各元素之间以空格分隔，除了结尾的CRLF(回车换行)序列外，不允许出现CR或LF字符。格式如下：

　　HTTP-Version Status-Code Reason-Phrase CRLF

　　HTTP-Version表示服务器HTTP协议的版本，Status-Code表示服务器发回的响应代码，Reason-Phrase表示状态代码的文本描述，CRLF表示回车换行。

因为相应正文是我们需要的数据，所以我们需要将状态行和消息报头跳过。

消息报头与相应正文之间可以用\r\n\r\n进行区分，当第一次发现接收到的字符串数组中含有\r\n\r\n时，则将\r\n\r\n前的内容全部忽略，将剩下的内容写到文件中去。

ncount = recv(serv_in, buffer, BUFF_SIZE, );

char *infor = strstr(buffer, "\r\n\r\n");

fwrite(infor + strlen("\r\n\r\n"), sizeof(char), ncount - (infor - buffer) - strlen("\r\n\r\n"), fp);

再使用循环获取相应正文，将数据写入到创建的图片文件中。

for (; (ncount = recv(serv_in, buffer, BUFF_SIZE, )) > ;) {
        fwrite(buffer, sizeof(char), BUFF_SIZE, fp);
        Sleep();
    }

这样一个简单的“爬虫”就实现了，没有正则表达式，也没有BFS，只是试试水。爬虫（图片）有兴趣可以看看这篇（点击进入）  BFS（点击进入）

biubiubiu~有什么不懂可以加我问我，觉得可以就赞一个吧，你们是我最大的动力。