获取cspider_t。
自定义user agent,cookie,timeout,proxy以及抓取线程和解析线程的最大数量。
添加初始要抓取的url到任务队列。
启动爬虫。
例子
先来看下简单的爬虫例子,会在后面详细讲解例子。
#include<cspider/spider.h>/*
自定义的解析函数,d为获取到的html页面字符串
*/
void p(cspider_t *cspider, char *d, void *user_data) {
char *get[100]
//xpath解析html
int size = xpath(d, "//body/div[@class='wrap']/div[@class='sort-column area']/div[@class='column-bd cfix']/ul[@class='st-list cfix']/li/strong/a", get, 100)
int i
for (i = 0i <sizei++) {
//将获取到的电影名称,持久化
saveString(cspider, get[i])
}
}
/*
数据持久化函数,对上面解析函数中调用的saveString()函数传入的数据,进行进一步的保存
*/
void s(void *str, void *user_data) {
char *get = (char *)str
FILE *file = (FILE*)user_data
fprintf(file, "%s\n", get)
return
}
int main() {
//初始化spider
cspider_t *spider = init_cspider()
char *agent = "Mozilla/5.0 (MacintoshIntel Mac OS X 10.10rv:42.0) Gecko/20100101 Firefox/42.0"
//char *cookie = "bid=s3/yuH5Jd/Ill=108288viewed=1130500_24708145_6433169_4843567_1767120_5318823_1899158_1271597__utma=30149280.927537245.1446813674.1446983217.1449139583.4__utmz=30149280.1449139583.4.4.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=/[email protected]=58742090:QgZ2PSLiDLQck=T9Wnpush_noty_num=0push_doumail_num=7ap=1__utmb=30149280.0.10.1449139583__utmc=30149280"
//设置要抓取页面的url
cs_setopt_url(spider, "so.tv.sohu.com/list_p1100_p20_p3_u5185_u5730_p40_p5_p6_p77_p80_p9_2d1_p101_p11.html")
//设置user agent
cs_setopt_useragent(spider, agent)
//cs_setopt_cookie(spider, cookie)
//传入解析函数和数据持久化函数的指针
cs_setopt_process(spider, p, NULL)
//s函数的user_data指针指向stdout
cs_setopt_save(spider, s, stdout)
//设置线程数量
cs_setopt_threadnum(spider, DOWNLOAD, 2)
cs_setopt_threadnum(spider, SAVE, 2)
//FILE *fp = fopen("log", "wb+")
//cs_setopt_logfile(spider, fp)
//开始爬虫
return cs_run(spider)
}
想做爬虫程序不是学完语言就行了,是要学很多东西的,你可以查一查大学计算机专业有哪些课程。做爬虫可以学学java语言。
《网络机器人Java编程指南》
开源的爬虫产品
http://www.oschina.net/project/tag/64/spider?lang=19&os=0&sort=view&p=1
欢迎分享,转载请注明来源:内存溢出
评论列表(0条)