c 语言写的爬虫,抓取豆瓣上所有科幻电影

2015-12-24 16:42:38 +08:00
 luohaha
先给自己定个目标,抓取豆瓣上所有的科幻电影的名称和类型信息,并保存文件。代码越短越好。下面是我的代码:

```c
#include<cspider/spider.h>
typedef struct {
char *getTitle[20];
char *getDesc[20];
int size;
} Movie;
//开始入口的 url
char *begin = "www.douban.com/tag/%E7%A7%91%E5%B9%BB/movie";
void p(cspider_t *cspider, char *d, char *url, void *user_data) {
Movie *movie = (Movie*)malloc(sizeof(Movie));
char *urls[20];
int sizeTitle = xpath(d, "//div[@id='content']/div[@class='grid-16-8 clearfix']/div[@class='article']/div[@class='mod movie-list']/dl/dd/a", movie->getTitle, 20);
int sizeDesc = xpath(d, "//div[@id='content']/div[@class='grid-16-8 clearfix']/div[@class='article']/div[@class='mod movie-list']/dl/dd/div[@class='desc']", movie->getDesc, 20);
int sizeUrl = xpath(d, "//div[@id='content']/div[@class='grid-16-8 clearfix']/div[@class='article']/div[@class='paginator']/a/@href", urls, 20);
movie->size = sizeTitle;
saveString(cspider, (void*)movie, LOCK);
char *newUrl[sizeUrl];
int i;
//拼接成新的 url
for (i = 0; i < sizeUrl; i++) {
newUrl[i] = (char*)malloc(sizeof(char) * (strlen(begin) + strlen(urls[i]) + 1));
strcat(newUrl[i], begin);
strcat(newUrl[i], urls[i]);
}
//添加新 url 到任务队列
if (movie->size > 0) {
addUrls(cspider, newUrl, sizeUrl);
}
//回收
freeStrings(newUrl, sizeUrl);
freeStrings(urls, sizeUrl);
freeStrings(movie->getTitle, sizeTitle);
freeStrings(movie->getDesc, sizeDesc);
free(movie);
}
void s(void *str, void *user_data) {
Movie *get = (Movie*)str;
FILE *file = (FILE*)user_data;
int i;
for (i = 0; i < get->size; i++) {
fprintf(file, "名称:%s\n", get->getTitle[i]);
fprintf(file, "类别:%s\n", get->getDesc[i]);
}
}
int main() {
cspider_t *spider = init_cspider();
char *agent = "Mozilla/5.0 (Macintosh; Intel Mac OS X 10.10; rv:42.0) Gecko/20100101 Firefox/42.0";
char *cookie = "bid=s3/yuH5Jd/I; _pk_ref.100001.8cb4=%5B%22%22%2C%22%22%2C1450940218%2C%22http%3A%2F%2Fmovie.douban.com%2Ftag%2F%22%5D; _pk_id.100001.8cb4=8196f325b29ea5c3.1444265431.9.1450943478.1449364495.; ll=108288; viewed=1130500_24708145_6433169_4843567_1767120_5318823_1899158_1271597; __utma=30149280.927537245.1446813674.1449139583.1450940286.5; __utmz=30149280.1450940286.5.5.utmcsr=book.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/; ps=y; ue=965166527@qq.com; push_noty_num=0; push_doumail_num=7; ap=1; _pk_ses.100001.8cb4=*; gr_user_id=5f4ee24f-d7bc-4b0b-9322-ceb1d208ee36; __utmb=30149280.17.10.1450940286; __utmc=30149280; ct=y; as=http://www.douban.com/tag/%E7%A7%91%E5%B9%BB/movie";
cs_setopt_url(spider, begin);
cs_setopt_useragent(spider, agent);
cs_setopt_cookie(spider, cookie);
FILE *file = fopen("./movies.txt", "wb+");
//指向自定义的解析函数,和数据持久化函数
cs_setopt_process(spider, p, NULL);
cs_setopt_save(spider, s, file);
return cs_run(spider);
}
```

一共 60 行左右,还可以。就是得手动回收内存,还有字符串处理,这两点使得代码比较丑陋,和 python 和 java 没得比。我用的爬虫框架是[cspider]( https://github.com/luohaha/CSpider)。大家觉得,如果要让这个爬虫框架更完善,让我们用 c 写爬虫更爽,还需要实现什么呢?
9893 次点击
所在节点    程序员
54 条回复
luohaha
2015-12-25 22:23:56 +08:00
@njutree 好吧确实没有遇见过这么判别爬虫的。。一般都是根据抓取间隔, ip 等。。不过我无聊的时候会在一个分类下,一页一页地翻找电影看,如果真是你说的这样,看来以前我都是被豆瓣当成爬虫了。。
luohaha
2015-12-25 22:27:12 +08:00
@njutree 你在做后端的时候会这么过滤爬虫吗?能给推荐一下一些这方面的博客吗?
decaywood
2015-12-25 22:38:34 +08:00
cookie 写死了,你得引入 cookie 过期重新获取功能,不然有点废
luohaha
2015-12-25 22:43:04 +08:00
@decaywood 嗯嗯,会改进的,多谢啦
decaywood
2015-12-25 22:46:30 +08:00
java 版的股票爬虫也写过一个, https://github.com/decaywood/XueQiuSuperSpider ,爬虫这东西个人认为,可以根据抓取数据的生命周期划分一下模块,每个模块提供相应的可拔插机制,方便程序进行技术迭代,可以有效提高程序的生命力、
luohaha
2015-12-25 22:49:59 +08:00
@decaywood Thanks!
lx19930805
2015-12-26 10:34:07 +08:00
我比较好奇的是楼上说的,一般人只能看到几页,后面更多的看不到了.
对于刚接触的我来说,我比较想知道如何获取更多.

不过我发现一个问题?为什么我直接改后面的页数回车后不能直接跳到指定页数,而是刷新第一页呢?
njutree
2015-12-26 21:47:54 +08:00
@luohaha 我觉得你没有看懂我在说啥,本质并不是为了屏蔽爬虫。
luohaha
2015-12-26 21:58:05 +08:00
@njutree 的确,我后面才理解了。。
angryRabbit
2015-12-26 22:35:27 +08:00
就想问一下,楼主写单元测试了吗?
luohaha
2015-12-26 22:41:12 +08:00
@angryRabbit 写了,不过我习惯最后删掉。。
luohaha
2015-12-26 22:43:17 +08:00
@angryRabbit 我想象不出不写测试单元,如何开发稍大点的程序
kelos
2015-12-27 18:35:57 +08:00
@luohaha 你看看阿里的 web 版钉钉,抓包根本就没有信息,这样的工具,联系人信息,能抓出来?
wizardforcel
2016-01-01 18:32:21 +08:00
为啥不用 go 写

go 就是没有分号的 c 语言

并且处理字符串还方便一些

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/245884

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX