网络图片爬虫

3 篇文章 0 订阅
// loadImage2.cpp: 定义控制台应用程序的入口点。
//


#include "stdafx.h"


/*下载图片 C++ Winsock 网络编程*/
#define _CRT_SECURE_NO_WARNINGS   //vs 2013用于忽略c语言安全性警告
#include <cstdio>
#include <iostream>
#include <fstream>
#include <string>
#include <cstring>
#include <regex>
#include <vector>
#include <queue>
#include <algorithm>
#include <winsock2.h>
#include <map>
using namespace std;
#pragma comment(lib, "ws2_32.lib")
char  host[500];
int num = 1;
char othPath[800];
string allHtml;
vector <string> photoUrl;
vector <string> comUrl;
map <string, int> mp; //防止相同网址重复遍历
SOCKET sock;
bool analyUrl(char *url) //仅支持http协议,解析出主机和IP地址
{
char *pos = strstr(url, "http://");
if (pos == NULL)
return false;
else
pos += 7;
sscanf(pos, "%[^/]%s", host, othPath);   //http:// 后一直到/之前的是主机名
cout << "host: " << host << "   repath:" << othPath << endl;
return true;
}






void regexGetimage(string &allHtml)  //C++11 正则表达式提取图片url
{
smatch mat;
regex pattern("src=\"(.*?\.jpg)\"");
string::const_iterator start = allHtml.begin();
string::const_iterator end = allHtml.end();
while (regex_search(start, end, mat, pattern))
{
string msg(mat[1].first, mat[1].second);
photoUrl.push_back(msg);
start = mat[0].second;
}
}


void regexGetcom(string &allHtml) //提取网页中的http://的url
{
smatch mat;
//regex pattern("href=\"(.*?\.html)\"");
regex pattern("href=\"(http://[^\s'\"]+)\"");
string::const_iterator start = allHtml.begin();
string::const_iterator end = allHtml.end();
while (regex_search(start, end, mat, pattern))
{
string msg(mat[1].first, mat[1].second);
comUrl.push_back(msg);
start = mat[0].second;
}
}
void preConnect()  //socket进行网络连接
{
WSADATA wd;
WSAStartup(MAKEWORD(2, 2), &wd);
sock = socket(AF_INET, SOCK_STREAM, 0);
if (sock == INVALID_SOCKET)
{
cout << "建立socket失败! 错误码: " << WSAGetLastError() << endl;
return;
}
sockaddr_in sa = { AF_INET };
int n = bind(sock, (sockaddr*)&sa, sizeof(sa));
if (n == SOCKET_ERROR)
{
cout << "bind函数失败! 错误码: " << WSAGetLastError() << endl;
return;
}
struct hostent  *p = gethostbyname(host);
if (p == NULL)
{
cout << "主机无法解析出ip! 错误吗: " << WSAGetLastError() << endl;
return;
}
sa.sin_port = htons(80);
memcpy(&sa.sin_addr, p->h_addr, 4);//   with some problems ???
   //sa.sin_addr.S_un.S_addr = inet_addr(*(p->h_addr_list));
   //cout << *(p->h_addr_list) << endl;
n = connect(sock, (sockaddr*)&sa, sizeof(sa));
if (n == SOCKET_ERROR)
{
cout << "connect函数失败! 错误码: " << WSAGetLastError() << endl;
return;
}
//像服务器发送GET请求,下载图片
string  reqInfo = "GET " + (string)othPath + " HTTP/1.1\r\nHost: " + (string)host + "\r\nConnection:Close\r\n\r\n";
if (SOCKET_ERROR == send(sock, reqInfo.c_str(), reqInfo.size(), 0))
{
cout << "send error! 错误码: " << WSAGetLastError() << endl;
closesocket(sock);
return;
}
//PutImagtoSet();


}


void OutIamge(string imageUrl) //将图片命名,保存在目录下
{
int n;
char temp[800];
strcpy(temp, imageUrl.c_str());
analyUrl(temp);
preConnect();
string photoname;
photoname.resize(imageUrl.size());
int k = 0;
for (int i = 0; i<imageUrl.length(); i++) {
char ch = imageUrl[i];
if (ch != '\\'&&ch != '/'&&ch != ':'&&ch != '*'&&ch != '?'&&ch != '"'&&ch != '<'&&ch != '>'&&ch != '|')
photoname[k++] = ch;
}
photoname = "./img/" + photoname.substr(0, k) + ".jpg";


fstream file;
file.open(photoname, ios::out | ios::binary);
char buf[1024];
memset(buf, 0, sizeof(buf));
n = recv(sock, buf, sizeof(buf) - 1, 0);
char *cpos = strstr(buf, "\r\n\r\n");


//allHtml = "";
//allHtml += string(cpos);
file.write(cpos + strlen("\r\n\r\n"), n - (cpos - buf) - strlen("\r\n\r\n"));
while ((n = recv(sock, buf, sizeof(buf) - 1, 0)) > 0)
{
file.write(buf, n);
//buf[n] = '\0';
//allHtml += string(buf);
}
//file.write(allHtml.c_str(), allHtml.length());
file.close();
//closesocket(sock);
}
void PutImagtoSet()  //解析整个html代码
{
int n;
//preConnect();
char buf[1024];
while ((n = recv(sock, buf, sizeof(buf) - 1, 0)) > 0)
{
buf[n] = '\0';
allHtml += string(buf);
}
regexGetimage(allHtml);
regexGetcom(allHtml);
}
void putImageToSet() {
int n;
char buf[1024];
while ((n = recv(sock, buf, sizeof(buf) - 1,0))>0) {
buf[n] = '\0';
allHtml += string(buf);
}
regexGetimage(allHtml);
regexGetcom(allHtml);
}


void bfs(string beginUrl)  //宽度优先搜索,像爬虫一样遍历网页
{
queue<string> q;
q.push(beginUrl);
while (!q.empty())
{
string cur = q.front();
mp[cur]++;
q.pop();
char tmp[800];
strcpy(tmp, cur.c_str());
analyUrl(tmp);
preConnect();
PutImagtoSet();
vector<string>::iterator ita = photoUrl.begin();
for (ita; ita != photoUrl.end(); ++ita)
{
OutIamge(*ita);
}
photoUrl.clear();
vector <string>::iterator it = comUrl.begin();
for (it; it != comUrl.end(); ++it)
{
if (mp[*it] == 0)
q.push(*it);
}
comUrl.clear();
}
}
int main()
{
CreateDirectoryA("./img", 0);  //在工程下创建文件夹
string beginUrl;
cout << "输入网址" << endl;
cin >> beginUrl;
bfs(beginUrl);
return 0;


}
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片爬虫小工具网站图片
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值