Linux获取网页源码的几种方法 - 遗世之都 - ITeye技术网站

Linux获取网页源码的几种方法 - 遗世之都 - ITeye技术网站

Linux获取网页源码的几种方法 - 遗世之都 - ITeye技术网站

Linux获取网页源码的几种方法

Linux Socket Chrome C C++ 

JavaEye博客还是本科做毕业设计时候开通的，基本上荒废了，现在决定记录下平时编程遇到的问题或者解决方案。





第一个为利用linux下的工具来获取网页源码，我用的是Wget，也可以使用Curl，curl的话更加的灵活，可以设置很多参数

C++代码  

1. //通过Wget来获取网页  
2. string GetHtmlByWget(string url)  
3. {  
4.     //获取待下载网页文件名  
5.     string fileName = url.substr((int)url.find_last_of("/") + 1);  
6.     if(fileName != "")  
7.     {  
8.         string strCom = "wget -q "; //wget命令，-q表示不显示下载信息  
9.         strCom.append(url);  
10.         system(strCom.c_str()); //执行wget  
11.   
12.         ifstream fin(fileName.c_str());  
13.         if(!fin)  
14.         {  
15.             return "";  
16.         }  
17.         string strHtml = "";  
18.         char chTemp[1024] = "";  
19.         //读取网页文件到内存中  
20.         while(fin.getline(chTemp , 1024))  
21.         {  
22.             strHtml.append(string(chTemp));  
23.             strcpy(chTemp , "");  
24.         }  
25.         fin.close();  
26.         strCom = "rm -f ";  //删除文件命令,-f表示直接删除不做任何提示  
27.         strCom.append(fileName);  
28.         system(strCom.c_str()); //删除刚才下载下来的文件  
29.         return strHtml; //返回网页源码  
30.     }  
31.     else  
32.     {  
33.         return "";  
34.     }  
35. }  

//通过Wget来获取网页
string GetHtmlByWget(string url)
{
    //获取待下载网页文件名
    string fileName = url.substr((int)url.find_last_of("/") + 1);
    if(fileName != "")
    {
        string strCom = "wget -q "; //wget命令，-q表示不显示下载信息
        strCom.append(url);
        system(strCom.c_str()); //执行wget

        ifstream fin(fileName.c_str());
        if(!fin)
        {
            return "";
        }
        string strHtml = "";
        char chTemp[1024] = "";
        //读取网页文件到内存中
        while(fin.getline(chTemp , 1024))
        {
            strHtml.append(string(chTemp));
            strcpy(chTemp , "");
        }
        fin.close();
        strCom = "rm -f ";  //删除文件命令,-f表示直接删除不做任何提示
        strCom.append(fileName);
        system(strCom.c_str()); //删除刚才下载下来的文件
        return strHtml; //返回网页源码
    }
    else
    {
        return "";
    }
}

第二个是用的socket的来获取源码

C++代码  

1. //通过GET获取网页源码  
2. string GetHtmlByGet(string url)  
3. {  
4.     string strHtmlContent = "";  
5.     int sockfd;  
6.     struct sockaddr_in addr;  
7.     struct hostent *pURL;  
8.     char text[RECVBUF];  
9.   
10.     //分析链接  
11.     UrlInfo urlInfo = ParseURL(url);  
12.     string sAccept = "Accept: */*\r\nAccept-Language: zh-cn\r\nAccept-Encoding: gzip, deflate";  
13.     //不同的主机UserAgent不同  
14.     string sUserAgent = "Mozilla/5.0 (X11; U; Linux i686; en-US) AppleWebKit/534.10 (KHTML, like Gecko) Chrome/8.0.552.224 Safari/534.10";  
15.     //将端口转换为字符串  
16.     char t[6];  
17.     string  strPort;  
18.     sprintf(t,"%d", urlInfo.Port);  
19.     strPort = t;  
20.     //构造发送字符串  
21.     string strRequest = "";  
22.     strRequest.append("GET ");  
23.     strRequest.append(urlInfo.File);  
24.     strRequest.append("?");  
25.     strRequest.append(urlInfo.Body);  
26.     strRequest.append(" HTTP/1.1\r\n");  
27.     strRequest.append(sAccept);  
28.     strRequest.append("\r\nUser-Agent:");  
29.     strRequest.append(sUserAgent);  
30.     strRequest.append("\r\nHost:");  
31.     strRequest.append(urlInfo.Host);  
32.     strRequest.append(":");  
33.     strRequest.append(strPort);  
34.     strRequest.append("\r\nConnection: Keep-Alive\r\n\r\n");  
35.   
36.     char* host = const_cast<char*>(urlInfo.Host.c_str());  
37.     sockfd = socket(AF_INET, SOCK_STREAM, IPPROTO_TCP); //TCP方式发送  
38.     pURL = gethostbyname(host);  
39.     addr.sin_family = AF_INET;  
40.     addr.sin_addr.s_addr = *((unsigned long*)pURL->h_addr);  
41.     addr.sin_port = htons(80);  
42.   
43.     //连接  
44.     connect(sockfd,(struct sockaddr *)&addr,sizeof(addr));  
45.     //发送  
46.     send(sockfd, const_cast<char*>(strRequest.c_str()), strRequest.length(), 0);  
47.     //接受  
48.     while(recv(sockfd, text, RECVBUF, 0) > 0)  
49.     {  
50.         strHtmlContent.append(text);  
51.         bzero(text,RECVBUF);  
52.     }  
53.     //关闭socket  
54.     close(sockfd);  
55.     //返回接受结果  
56.     return strHtmlContent;  
57. }  

//通过GET获取网页源码
string GetHtmlByGet(string url)
{
    string strHtmlContent = "";
    int sockfd;
    struct sockaddr_in addr;
    struct hostent *pURL;
    char text[RECVBUF];

    //分析链接
    UrlInfo urlInfo = ParseURL(url);
    string sAccept = "Accept: */*\r\nAccept-Language: zh-cn\r\nAccept-Encoding: gzip, deflate";
    //不同的主机UserAgent不同
    string sUserAgent = "Mozilla/5.0 (X11; U; Linux i686; en-US) AppleWebKit/534.10 (KHTML, like Gecko) Chrome/8.0.552.224 Safari/534.10";
    //将端口转换为字符串
    char t[6];
    string  strPort;
    sprintf(t,"%d", urlInfo.Port);
    strPort = t;
    //构造发送字符串
    string strRequest = "";
    strRequest.append("GET ");
    strRequest.append(urlInfo.File);
    strRequest.append("?");
    strRequest.append(urlInfo.Body);
    strRequest.append(" HTTP/1.1\r\n");
    strRequest.append(sAccept);
    strRequest.append("\r\nUser-Agent:");
    strRequest.append(sUserAgent);
    strRequest.append("\r\nHost:");
    strRequest.append(urlInfo.Host);
    strRequest.append(":");
    strRequest.append(strPort);
    strRequest.append("\r\nConnection: Keep-Alive\r\n\r\n");

    char* host = const_cast<char*>(urlInfo.Host.c_str());
    sockfd = socket(AF_INET, SOCK_STREAM, IPPROTO_TCP); //TCP方式发送
    pURL = gethostbyname(host);
    addr.sin_family = AF_INET;
    addr.sin_addr.s_addr = *((unsigned long*)pURL->h_addr);
    addr.sin_port = htons(80);

    //连接
    connect(sockfd,(struct sockaddr *)&addr,sizeof(addr));
    //发送
    send(sockfd, const_cast<char*>(strRequest.c_str()), strRequest.length(), 0);
    //接受
    while(recv(sockfd, text, RECVBUF, 0) > 0)
    {
        strHtmlContent.append(text);
        bzero(text,RECVBUF);
    }
    //关闭socket
    close(sockfd);
    //返回接受结果
    return strHtmlContent;
}

使用libcurl

Java代码  

1. #include <stdio.h>   
2.  #include <string.h>   
3.  #include <curl/curl.h>   
4.   
5.  #define MAX_BUF     65536   
6.   
7.  char wr_buf[MAX_BUF+1];   
8.  int  wr_index;   
9.   
10.  /*  
11.  * Write data callback function (called within the context of  
12.  * curl_easy_perform.  
13.  */   
14.  size_t write_data( void *buffer, size_t size, size_t nmemb, void *userp )   
15.  {   
16.   int segsize = size * nmemb;   
17.   
18.   /* Check to see if this data exceeds the size of our buffer. If so,  
19.    * set the user-defined context value and return 0 to indicate a  
20.    * problem to curl.  
21.    */   
22.   if ( wr_index + segsize > MAX_BUF ) {   
23.     *(int *)userp = 1;   
24.     return 0;   
25.   }   
26.   
27.   /* Copy the data from the curl buffer into our buffer */   
28.   memcpy( (void *)&wr_buf[wr_index], buffer, (size_t)segsize );   
29.   
30.   /* Update the write index */   
31.   wr_index += segsize;   
32.   
33.   /* Null terminate the buffer */   
34.   wr_buf[wr_index] = 0;   
35.   
36.   /* Return the number of bytes received, indicating to curl that all is okay */   
37.   return segsize;   
38.  }   
39.   
40.   
41.  /*  
42.  * Simple curl application to read the index.html file from a Web site.  
43.  */   
44.  int main( void )   
45.  {   
46.   CURL *curl;   
47.   CURLcode ret;   
48.   int  wr_error;   
49.   
50.   wr_error = 0;   
51.   wr_index = 0;   
52.   
53.   /* First step, init curl */   
54.   curl = curl_easy_init();   
55.   if (!curl) {   
56.     printf("couldn't init curl\n");   
57.     return 0;   
58.   }   
59.   
60.   /* Tell curl the URL of the file we're going to retrieve */   
61.   curl_easy_setopt( curl, CURLOPT_URL, "www.exampledomain.com" );   
62.   
63.   /* Tell curl that we'll receive data to the function write_data, and  
64.    * also provide it with a context pointer for our error return.  
65.    */   
66.   curl_easy_setopt( curl, CURLOPT_WRITEDATA, (void *)&wr_error );   
67.   curl_easy_setopt( curl, CURLOPT_WRITEFUNCTION, write_data );   
68.   
69.   /* Allow curl to perform the action */   
70.   ret = curl_easy_perform( curl );   
71.   
72.   printf( "ret = %d (write_error = %d)\n", ret, wr_error );   
73.   
74.   /* Emit the page if curl indicates that no errors occurred */   
75.   if ( ret == 0 ) printf( "%s\n", wr_buf );   
76.   
77.   curl_easy_cleanup( curl );   
78.   
79.   return 0;   
80.  }   

posted on 2012-07-16 23:22  lexus 阅读( ...) 评论( ...) 编辑 收藏

转载于:https://www.cnblogs.com/lexus/archive/2012/07/16/2594433.html