VS2008 STLport5.2.1爬虫使用实例

一、STLport5.2.1在vs2008下的编译方法

下载地址：（1）可以直接在官网中下载

 （2）http://download.csdn.net/download/u011269801/9898722 中下载

1.         打开Visual Studio 2008命令提示，如图1所示，

图1

2.         输入命令vcvars32.bat运行命令；如图2所示；

 

图2

3.         转到STLport解压目录，例如我的是：D:\STLport\STLport-5.2.1；

输入命令：D:

输入CD D:\STLport\STLport-5.2.1

 

图3

4.         输入命令行：configure msvc9,如图4所示：

 

图4

5.         输入命令行：cd D:\STLport\STLport-5.2.1\build\lib,如图5所示：

 

图5

6.         输入命令行：nmake  –f  msvc.mak  clean  install,开始编译STLport5.2.1 等待一段时间，完成编译时，如图6所示：

 

图6

7.         一切OK…需要执行的步骤全部结束，只需再耐心等待几分钟的编译时间！编译完成后在STLPort主目录D:\STLport\STLport-5.2.1下面比之前多出了bin和lib两个文件夹，所有编译产生的*.dll和*.lib文件都已经自动复制到了这两个文件夹下面，同时D:\STLport\STLport-5.2.1\build\lib目录下产生的obj文件夹则可以删除，以免占有同不必要的硬盘空间(多达314M)。

 

 

备注：

         在编译过程中如出现NMAKE:fatal error U1077的问题，可能是环境变量的缘故，可以删除用户变量中的lib,比如我的当时是lib------值：D:\VC98\mfc\lib;D:\VC98\lib；删除后确定保存，重新编译即可；-----也即解决方法是打开“我的电脑属性->高级->环境变量”删除本地的Lib项（xx用户变量中的Lib）。

二、建立控制台应用程序，实现：

// SearchRes.cpp : 定义控制台应用程序的入口点。
//


#include "stdafx.h"
#include <string>
#include <iostream>
#include <fstream>
#include <vector>
#include "winsock2.h"
#include <time.h>
#include <queue>
#include <hash_set>
using namespace std;
using namespace stdext;


#pragma comment(lib, "ws2_32.lib") 
#define DEFAULT_PAGE_BUF_SIZE 1048576


queue<string> hrefUrl;


hash_set<string> visitedUrl;
hash_set<string> visitedImg;
int depth=0;
int g_ImgCnt=1;






//解析URL，解析出主机名，资源名
bool ParseURL( const string & url, string & host, string & resource){
    if ( strlen(url.c_str()) > 2000 ) {
        return false;
    }


    const char * pos = strstr( url.c_str(), "http://" );
    if( pos==NULL ) pos = url.c_str();
    else pos += strlen("http://");
    if( strstr( pos, "/")==0 )
        return false;
    char pHost[100];
    char pResource[2000];
    sscanf( pos, "%[^/]%s", pHost, pResource );
    host = pHost;
    resource = pResource;
    return true;
}


//使用Get请求，得到响应
bool GetHttpResponse( const string & url, char * &response, int &bytesRead ){
    string host, resource;
    if(!ParseURL( url, host, resource )){
        cout << "Can not parse the url"<<endl;
        return false;
    }
    
    //建立socket
    struct hostent * hp= gethostbyname( host.c_str() );
    if( hp==NULL ){
        cout<< "Can not find host address"<<endl;
        return false;
    }


    SOCKET sock = socket( AF_INET, SOCK_STREAM, IPPROTO_TCP);
    if( sock == -1 || sock == -2 ){
        cout << "Can not create sock."<<endl;
        return false;
    }


    //建立服务器地址
    SOCKADDR_IN sa;
    sa.sin_family = AF_INET;
    sa.sin_port = htons( 80 );
    //char addr[5];
    //memcpy( addr, hp->h_addr, 4 );
    //sa.sin_addr.s_addr = inet_addr(hp->h_addr);
    memcpy( &sa.sin_addr, hp->h_addr, 4 );


    //建立连接
    if( 0!= connect( sock, (SOCKADDR*)&sa, sizeof(sa) ) ){
        cout << "Can not connect: "<< url <<endl;
        closesocket(sock);
        return false;
    };


    //准备发送数据
    string request = "GET " + resource + " HTTP/1.1\r\nHost:" + host + "\r\nConnection:Close\r\n\r\n";


    //发送数据
    if( SOCKET_ERROR ==send( sock, request.c_str(), request.size(), 0 ) ){
        cout << "send error" <<endl;
        closesocket( sock );
        return false;
    }


    //接收数据
    int m_nContentLength = DEFAULT_PAGE_BUF_SIZE;
    char *pageBuf = (char *)malloc(m_nContentLength);
    memset(pageBuf, 0, m_nContentLength);


    bytesRead = 0;
    int ret = 1;
    cout <<"Read: ";
    while(ret > 0){
        ret = recv(sock, pageBuf + bytesRead, m_nContentLength - bytesRead, 0);
        
        if(ret > 0)
        {
            bytesRead += ret;
        }


        if( m_nContentLength - bytesRead<100){
            cout << "\nRealloc memorry"<<endl;
            m_nContentLength *=2;
            pageBuf = (char*)realloc( pageBuf, m_nContentLength);       //重新分配内存
        }
        cout << ret <<" ";
    }
    cout <<endl;


    pageBuf[bytesRead] = '\0';
    response = pageBuf;
    closesocket( sock );
    return true;
    //cout<< response <<endl;
}


//提取所有的URL以及图片URL
void HTMLParse ( string & htmlResponse, vector<string> & imgurls, const string & host ){
    //找所有连接，加入queue中
    const char *p= htmlResponse.c_str();
    char *tag="href=\"";
    const char *pos = strstr( p, tag );
    ofstream ofile("url.txt", ios::app);
    while( pos ){
        pos +=strlen(tag);
        const char * nextQ = strstr( pos, "\"" );
        if( nextQ ){
            char * url = new char[ nextQ-pos+1 ];
            //char url[100]; //固定大小的会发生缓冲区溢出的危险
            sscanf( pos, "%[^\"]", url);
            string surl = url;  // 转换成string类型，可以自动释放内存
            if( visitedUrl.find( surl ) == visitedUrl.end() ){
                visitedUrl.insert( surl );
                ofile << surl<<endl;
                hrefUrl.push( surl );
            }
            pos = strstr(pos, tag );
            delete [] url;  // 释放掉申请的内存
        }
    }
    ofile << endl << endl;
    ofile.close();


    tag ="<img ";
    const char* att1= "src=\"";
    const char* att2="lazy-src=\"";
    const char *pos0 = strstr( p, tag );
    while( pos0 ){
        pos0 += strlen( tag );
        const char* pos2 = strstr( pos0, att2 );
        if( !pos2 || pos2 > strstr( pos0, ">") ) {
            pos = strstr( pos0, att1);
            if(!pos) {
                pos0 = strstr(att1, tag );
            continue;
            } else {
                pos = pos + strlen(att1);
            }
        }
        else {
            pos = pos2 + strlen(att2);
        }


        const char * nextQ = strstr( pos, "\"");
        if( nextQ ){
            char * url = new char[nextQ-pos+1];
            sscanf( pos, "%[^\"]", url);
            cout << url<<endl;
            string imgUrl= url;
            if( visitedImg.find( imgUrl ) == visitedImg.end() ){
                visitedImg.insert( imgUrl );
                imgurls.push_back( imgUrl );
            }
            pos0 = strstr(pos0, tag );
            delete [] url;
        }
    }
    cout << "end of Parse this html"<<endl;
}


//把URL转化为文件名
string ToFileName( const string &url ){
    string fileName;
    fileName.resize( url.size());
    int k=0;
    for( int i=0; i<(int)url.size(); i++){
        char ch = url[i];
        if( ch!='\\'&&ch!='/'&&ch!=':'&&ch!='*'&&ch!='?'&&ch!='"'&&ch!='<'&&ch!='>'&&ch!='|')
            fileName[k++]=ch;
    }
    return fileName.substr(0,k) + ".txt";
}


//下载图片到img文件夹
void DownLoadImg( vector<string> & imgurls, const string &url )
{


    //生成保存该url下图片的文件夹
    string foldname = ToFileName( url );
    foldname = "./img/"+foldname;
    if(!CreateDirectory( foldname.c_str(),NULL ))
        cout << "Can not create directory:"<< foldname<<endl;
    char *image;
    int byteRead;
    for( int i=0; i<imgurls.size(); i++){
        //判断是否为图片，bmp，jgp，jpeg，gif 
        string str = imgurls[i];
        int pos = str.find_last_of(".");
        if( pos == string::npos )
            continue;
        else{
            string ext = str.substr( pos+1, str.size()-pos-1 );
            if( ext!="bmp"&& ext!="jpg" && ext!="jpeg"&& ext!="gif"&&ext!="png")
                continue;
        }
        //下载其中的内容
        if( GetHttpResponse(imgurls[i], image, byteRead)){
            if ( strlen(image) ==0 ) {
                continue;
            }
            const char *p=image;
            const char * pos = strstr(p,"\r\n\r\n")+strlen("\r\n\r\n");
            int index = imgurls[i].find_last_of("/");
            if( index!=string::npos ){
                string imgname = imgurls[i].substr( index , imgurls[i].size() );
                ofstream ofile( (foldname+imgname).c_str(), ios::binary );
                if( !ofile.is_open() )
                    continue;
                cout <<g_ImgCnt++<< foldname+imgname<<endl;
                ofile.write( pos, byteRead- (pos-p) );
                ofile.close();
            }
            free(image);
        }
    }
}






//广度遍历
void BFS( const string & url )
{
    char * response;
    int bytes;
    // 获取网页的相应，放入response中。
    if( !GetHttpResponse( url, response, bytes ) ){
        cout << "The url is wrong! ignore." << endl;
        return;
    }
    string httpResponse=response;
    free( response );
    string filename = ToFileName( url );
    ofstream ofile( ("./html/"+filename).c_str());
    if( ofile.is_open() ){
        // 保存该网页的文本内容
        ofile << httpResponse << endl;
        ofile.close();
    }
    vector<string> imgurls;
    //解析该网页的所有图片链接，放入imgurls里面
    HTMLParse( httpResponse,  imgurls, url );
    
    //下载所有的图片资源
    DownLoadImg( imgurls, url );
}


void main()
{

    //初始化socket，用于tcp网络连接
    WSADATA wsaData;
    if( WSAStartup(MAKEWORD(2,2), &wsaData) != 0 ){
        return;
    }


    // 创建文件夹，保存图片和网页文本文件
    CreateDirectory( "./img",0);
    CreateDirectory("./html",0);
    //string urlStart = "http://hao.360.cn/meinvdaohang.html";


    // 遍历的起始地址
     string urlStart = "http://www.wmpic.me/tupian";
    //string urlStart = "https://www.2345.com/?k56327668";
    
    // 使用广度遍历
    // 提取网页中的超链接放入hrefUrl中，提取图片链接，下载图片。
    BFS( urlStart );


    // 访问过的网址保存起来
    visitedUrl.insert( urlStart );


    while( hrefUrl.size()!=0 ){
        string url = hrefUrl.front();  // 从队列的最开始取出一个网址
        cout << url << endl;
        BFS( url );                      // 遍历提取出来的那个网页，找它里面的超链接网页放入hrefUrl，下载它里面的文本，图片
        hrefUrl.pop();                 // 遍历完之后，删除这个网址
    }
    WSACleanup();
    return;
}

实现工程下载地址：

http://download.csdn.net/download/u011269801/9898731