今天花了一小时写了一个简易爬虫,用到的东西有STL的string和queue,cURL。
这两样东西就不用我多说了,爬虫的主要思路是:用队列存储url,用cURL来获取html文件,只抽取其中A标签中有“http:”的链接。
爬虫流程:
1、从队列取出一条url,交给cURL发出http请求,保存html文件;
2、对html进行解析,抽取A标签中带有“http:”的链接,并插入队列;
3、重复1、2,直至队列空。
基本框架就是这样,想要做好还需要解决编码等问题,这只是个小例子。
前端时间把《鸟哥的linux私房菜基础篇》看完了,感觉很有收获,现在开始看《服务器篇》了。另外在学习PHP和Python中。
PS:爬虫代码过几天奉上。