步步递近网络蜘蛛（二）v2.0

/*
 * 名称：步步递近网络蜘蛛（二）
 *
 * 版本：v2.0
 *
 * 作者：张双喜
 *
 * 日期：2010.10.21
 *
 * 功能：从文件中读取合法的网址（在html中语法表达中正确的网址），并把所有网址存入在链表中,最后打印所有合法网址。
 *
 * 设计思想：
 *    1、如何查找网址？
 *        1.参考版本v1.0，即：可以成功读取程序中定义的字符串中合法网址
 *
 *    2、如何获取合法网址？
 *        1.fread(buf, 1024, 1, fp)
 *            从文件中一次读取1024个字节内容，存入buf[]，其中这1024个字节内容可能包括合法的网址、非法的网址、换行符号/n、空格等其他符号
 *        2.get_string_from_1024()
 *            对1024个字符进行解析，即：把第一次出现/n前的内容存入str[]中,然后对str[]中的内容进行是否是合法网址判断，
 *            如果是合法网址，把该网址存入单链表
 *        3.get_every_link()
 *            获取每一个网址
 *            该函数框架大致如下：
 *            get_every_link()
 *            {
 *                while(循环条件)                //不断的对文件进行读取，注意每次读取的开始位置
 *                {
 *                    fread(buf, 1024, 1, fp);    //读取1024个文件，存入buf[]
 *                    get_string_from_1024();        //获取第一个/n前的内容，存入str[]
 *                    link();                //对str[]中内容进行判断，如果事合法网址，并存入单链表中。
 *                }
 *            }
 *            说明：
 *                第一次得到合法网址存入单链表后，紧接着存入一个'/n'，'/n'的目的是使得打印时每一行显示一个网址。
 *                第二次得到合法网址，紧接着刚才'/n'存储，目的是使得所有合法网址都存入该链表中。
 *                往后的合法网址存储过程同上。
 *
 *    3、如何输出所有合法网址？
 *        1.printf_link()
 *            打印网址，即：打印链表，因为所有合法网址都顺序的存放在该链表中。
 *
 * 存在问题：
 *    该程序可能存在漏洞，将进行进一步修补
 *
 * */
#include <stdio.h>
#include <stdlib.h>
#include <string.h>

#define N 1024

typedef struct node
{
    char data;
    struct node * next;
}NODE, * PNODE;

char buf[N] = {0};        //存放fread读出来的值
char str[N] = {0};        //存放从读出的1024个字节中解析出的第一行内容

//自己实现的strncmp函数
int my_strncmp(char *p, char *q, int n)
{
    int i = 0;
    int count = 0;

    for( i = 0; i < n; i++)
    {
        if(*(p+i) == *(q+i))
        {
            count++;
        }
    }

    if(count == n)
    {
        return 0;
    }
    else
    {
        return 1;
    }
}

//判断是否满足"<a "
char * judge_mark_a(char **p, int *count)
{
    while((0 != my_strncmp(*p, "<a ", 3)) && ('/n' != (**p)) && ('/0' != (**p)))
    {
        (*p)++;
        (*count)++;
    }

    if(('/n' != (**p)) && '/0' != (**p))
    {
        *p = *p + 3;
        (*count) = (*count) + 3;
        return *p;
    }
    else
        return NULL;
}

//判断是否满足****  href
char * judge_href(char **p, int * count)
{
    while(' ' == **p)
    {
        (*p)++;
        (*count)++;
    }

    if(0 == my_strncmp(*p, "href", 4))
    {
        *p = *p + 4;
        (*count) = (*count) + 3;
        return *p;
    }
    else
    {
        return NULL;
    }
}

//判断是否满足***  =
char * judge_equal_mark(char **p, int * count)
{
    while(' ' == **p)
    {
        (*p)++;
        (*count)++;
    }

    if('=' == **p)
    {
        return (*p) + 1;
    }
    else
    {
        return NULL;
    }
}

//判断是否满足**  ["]  ['] http
char * judge_http(char **p, int *count)
{
    while((' ' == **p) || ('/"' == **p) || ('/'' == **p))
    {
        (*p)++;
        (*count)++;
    }

    if('h' == **p)
    {
        return *p;
    }
    else
    {
        return NULL;
    }
}

//创建结点
PNODE create_node(void)
{
    PNODE new;
    new = malloc(sizeof(NODE));
    if(NULL == new)
    {
        printf("error:/n");
        exit(0);
    }
   
    return new;
}

//每次插入到最后一个位置
PNODE insert_list(PNODE tmp, PNODE new)
{
    tmp->next = new;
    new->next = NULL;
    tmp = new;

    return tmp;
}

//处理网址结束位置
PNODE judge_end(PNODE tmp, char **p, int *count)
{
    PNODE new;

    if(NULL != *p)
    {
        while((**p != '/"') && (**p != '/'') && (**p != '>') && (**p != '/0') && (**p != ' '))
        {
            new = create_node();
            new->data = **p;
            new->next = NULL;
            tmp = insert_list(tmp, new);
           
            (*count)++;       
            (*p)++;
        }

        new = create_node();
        new->data = '/n';
        new->next = NULL;

        tmp = insert_list(tmp, new);
    }
   
    return tmp;
}

//功能：生成网址
PNODE link(PNODE temp, char *p, int * count)
{
    char * ret;

    ret = judge_mark_a(&p, count);

    if(NULL != ret)
    {
        ret = judge_href(&ret, count);
    }

    if(NULL != ret)
    {
        ret = judge_equal_mark(&ret, count);
    }

    if(NULL != ret)
    {
        ret = judge_http(&ret, count);
    }

    if(NULL != ret)
    {
        temp = judge_end(temp, &ret, count);
    }

    return temp;
}

//打印网址
void printf_link(PNODE head)
{
    while(NULL != head)
    {
        printf("%c", head->data);
        head = head->next;
    }

    return;
}

//把文件的所有内容读取为一个字符串，即：把全部内容读到一个字符串中
void read_file(FILE *fp, int * pos)
{
    if((fp = fopen("link.html", "r")) == NULL)
    {
        perror("link.html");
        exit(0);
    }

    memset(buf, 0, N);
    fseek(fp, *pos, 0);
    fread(buf, 1024, 1, fp);
   
    fclose(fp);

    return;
}

//从读取的1024个字节获取一行内容，不管这一行有什么内容，只要是这一行的内容，都要获取到str[]中
void get_string_from_1024(char *p, int * pos)
{
    int i = 0;
    int len = 0;
    char * tmp;

    memset(str, 0, strlen(str));

    while('/n' != *p)
    {
        str[i++] = *p;
        p++;
    }
   
    return;
}

//从所有文件中获取合法链接，并连续的存入到链表
void get_every_link(FILE *fp, PNODE temp, int *pos, int * count)
{
    int i = 0;
    int len = 0;
    char t[N] = {0};
    char * tmp;

    tmp = t;
    *tmp = 'a';                        //随意给定一个非'/0'字符，使得第一次可以进入循环
   
    while('/0' != *tmp)
    {
        memset(tmp, 0, strlen(tmp));

        read_file(fp, pos);                //对所有文件读取1024个字节，放到buf中
        get_string_from_1024(buf, pos);            //对刚才读取的1024个字节进行处理，即：把第一个/n前的值存入tmp中
        temp = link(temp, str, count);            //对刚才得到的字符串，也就是该处理的某一行内容进行处理，
                                 //处理包括判断是否是合法网址，如果是合法网址，并把网址连续的存入到链表中
        len = *count + 1;
        *pos = *pos + len;                //确定下次读文件开始的位置
   
        tmp = buf + *count + 1;                //用tmp判断是否读到文件结尾
   
        *count = 0;
    }

    return;
}

int main(int argc, char* argv[])
{
    FILE *fp;
    int count = 0;
    int pos = 0;
    PNODE head, temp;

    temp = create_node();
    temp->next = NULL;
    head = temp;
   
    get_every_link(fp, temp, &pos, &count);            //得到合法的网址

    printf_link(head);                    //输出网址，直接打印链表即可，因为把合法链接连续的存入到了链表
   
    return 0;
}