[转]用 C 语言编写一个网络蜘蛛
用 C 语言编写一个网络蜘蛛来搜索网上出现的电子邮件地址
作者:zhoulifa
来源:http://bbs.chinaunix.net/viewthread.php?tid=821361
可能大家经常要去互联网上搜索特定的内容,比如收集大量邮件地址,如果用 google 之类的搜索引擎是没法实现这种特定功能的,所以用 C 语言来写一个吧。它的功能就是不断去取得网络上的页面,然后分析出网页上出现的邮件地址保存下来。象个蜘蛛一样,从网络上一个网页爬向另一个网页,不停止地搜索邮件地址。
即:分析程序运行时的参数,把各网页地址作为根节点加入到链表,然后从链表头开始处理各节点
对整个链表的处理是先处理兄弟节点,流程图如下:
然后再处理各节点的子节点,流程图如下:
当然,这里采用了递归调用方法,处理子节点的数据时和处理整个链表一样循环处理就是了。
/************关于本文档********************************************
*filename: 用 C 语言编写一个网络蜘蛛来搜索网上出现的电子邮件地址
*purpose: 一个邮址搜索程序的雏形
*wrote by: zhoulifa([email protected]) 周立发(http://zhoulifa.bokee.com)
Linux爱好者 Linux知识传播者 SOHO族 开发者 最擅长C语言
*date time:2006-08-31 21:00:00
*Note: 任何人可以任意复制代码并运用这些文档,当然包括你的商业用途
* 但请遵循GPL
*Hope:希望越来越多的人贡献自己的力量,为科学技术发展出力
*********************************************************************/
程序在运行的过程中要建立一个树形链表结构,结构图如下:
程序启动时分析所带参数,把各参数加入到根网页节点,如果有多个参数则这个根网页有兄弟节点。
然后从根节点开始处理这一级上各节点,把各节点网页上出现的网页链接加到该节点的子节点上,处理完当前这一级后处理子节点这一级。
当然这只是一个原理展示程序,并没有进行优化。
这个程序的 main 函数流程图如下:
源代码如下:
#include<sys/stat.h>
#include<fcntl.h>
#include<sys/mman.h>
#include<unistd.h>
#include<stdio.h>
#include<string.h>
#include<stdlib.h>
#include<netdb.h>
#include<errno.h>
#include<locale.h>
#defineUSERAGENT"Wget/1.10.2"
#defineACCEPT"*/*"
#defineACCEPTLANGUAGE"zh-cn,zh;q=0.5"
#defineACCEPTENCODING"gzip,deflate"
#defineACCEPTCHARSET"gb2312,utf-8;q=0.7,*;q=0.7"
#defineKEEPALIVE"300"
#defineCONNECTION"keep-alive"
#defineCONTENTTYPE"application/x-www-form-urlencoded"
#defineMAXFILENAME14
#defineDEBUG1
typedefstructwebnode{
char*host;/*网页所在的主机*/
intport;/*网络服务器所使用的端口*/
char*dir;/*网页所在的目录*/
char*page;/*网页文件名*/
char*file;/*本地保存的文件名*/
charIsHandled;/*是否处理过*/
structwebnode*brother;/*兄弟节点链表指针*/
structwebnode*child;/*子节点链表指针*/
}WEBNODE;
structsockaddr_inserver_addr;
intsockfd=0,dsend=0,totalsend=0,nbytes=0,reqn=0,i=0,j=0,ret=0;
structhostent*host;
charrequest[409600]="",buffer[1024]="",httpheader[1024]="";
intFileNumber=0;
chare[2]="@/";
WEBNODE*NodeHeader,*NodeTail,*NodeCurr;
char*mapped_mem;
intGetHost(char*,char**,char**,int*,char**);/**/
voidAnalyzePage(WEBNODE*);/**/
voidAddInitNode(char*,char*,int,char*);/**/
voidHandleInitNode(WEBNODE*);/**/
voidDisplayNode(WEBNODE*);/**/
voidHandOneNode(WEBNODE*);/**/
voidDoneWithList(int);/**/
voidDoOnce();/**/
voidConnectWeb(void);/**/
voidSendRequest(void);/**/
voidReceiveResponse(void);/**/
voidGetEmail(char*);/**/
voidGetLink(char*);/**/
voidGetBeforePos(char*,char**);/**/
voidGetAfterPos(char*,char**);/**/
voidAddChildNode(WEBNODE*,char*);/**/
voidGetAfterPosWithSlash(char*,char**);/**/
voidGetMemory(char**,int);/**/
intIsExistWeb(WEBNODE*,char*,char*,int,char*);/**/
voidRstrchr(char*,int,char**);/**/
intGetLocalAgent(char*UserAgent,char*Accept,char*AcceptLanguage,char*AcceptEncoding,char*AcceptCharset,char*KeepAlive,char*Connection,char*ContentType);/**/
功能:设置HTTP协议头内容的一些固定值
***************************************************************/
intGetLocalAgent(char*UserAgent,char*Accept,char*AcceptLanguage,char*AcceptEncoding,char*AcceptCharset,char*KeepAlive,char*Connection,char*ContentType)
{
memcpy(UserAgent,USERAGENT,strlen(USERAGENT));
memcpy(Accept,ACCEPT,strlen(ACCEPT));
memcpy(AcceptLanguage,ACCEPTLANGUAGE,strlen(ACCEPTLANGUAGE));
memcpy(AcceptEncoding,ACCEPTENCODING,strlen(ACCEPTENCODING));
memcpy(AcceptCharset,ACCEPTCHARSET,strlen(ACCEPTCHARSET));
memcpy(KeepAlive,KEEPALIVE,strlen(KEEPALIVE));
memcpy(Connection,CONNECTION,strlen(CONNECTION));
memcpy(ContentType,CONTENTTYPE,strlen(CONTENTTYPE));
return0;
}
/**************************************************************
功能:在字符串s里搜索x字符,并设置指针d指向该位置
***************************************************************/
voidRstrchr(char*s,intx,char**d)
{
intlen=strlen(s)-1;
while(len>=0){
if(x==s[len]){(*d)=s+len;return;}
len--;
}
(*d)=0;
}
/**************************************************************
功能:连接一个网站服务器
***************************************************************/
voidConnectWeb(void){/*connecttowebserver*/
/*createasocketdescriptor*/
if((sockfd=socket(PF_INET,SOCK_STREAM,0))==-1)
{
fprintf(stderr," SocketError:%sa ",strerror(errno));
exit(1);
}
/*bindaddress*/
bzero(&server_addr,sizeof(server_addr));
server_addr.sin_family=AF_INET;
server_addr.sin_port=htons(NodeCurr->port);
server_addr.sin_addr=*((structin_addr*)host->h_addr);
/*connecttotheserver*/
if(connect(sockfd,(structsockaddr*)(&server_addr),sizeof(structsockaddr))==-1)
{
fprintf(stderr," ConnectError:%sa ",strerror(errno));
exit(1);
}
}
/**************************************************************
功能:向网站发送HTTP请求
***************************************************************/
voidSendRequest(void){/*sendmyhttp-requesttowebserver*/
dsend=0;totalsend=0;
nbytes=strlen(request);
while(totalsend<nbytes){
dsend=write(sockfd,request+totalsend,nbytes-totalsend);
if(dsend==-1){fprintf(stderr," senderror!%s ",strerror(errno));exit(0);}
totalsend+=dsend;
fprintf(stdout," Request.%d%dbytessendOK! ",reqn,totalsend);
}
}
/**************************************************************
功能:接收网站的HTTP返回
***************************************************************/
voidReceiveResponse(void){/*getresponsefromwebserver*/
fd_setwritefds;
structtimevaltival;
intretry=0;
FILE*localfp=NULL;
i=0;j=0;
__ReCeive:
FD_ZERO(&writefds);
tival.tv_sec=10;
tival.tv_usec=0;
if(sockfd>0)FD_SET(sockfd,&writefds);
else{fprintf(stderr," Error,socketisnegative! ");exit(0);}
ret=select(sockfd+1,&writefds,NULL,NULL,&tival);
if(ret==0){
if(retry++<10)goto__ReCeive;
}
if(ret<=0){fprintf(stderr," Errorwhilereceiving! ");exit(0);}
if(FD_ISSET(sockfd,&writefds)){
memset(buffer,0,1024);
memset(httpheader,0,1024);
if((localfp=fopen(NodeCurr->file,"w"))==NULL){if(DEBUG)fprintf(stderr,"createfile'%s'error ",NodeCurr->file);return;}
/*receivedatafromwebserver*/
while((nbytes=read(sockfd,buffer,1))==1)
{
if(i<4){/*获取HTTP消息头*/
if(buffer[0]==' '||buffer[0]==' ')i++;
elsei=0;
memcpy(httpheader+j,buffer,1);j++;
}
else{/*获取HTTP消息体*/
fprintf(localfp,"%c",buffer[0]);/*printcontentonthescreen*/
//fprintf(stdout,"%c",buffer[0]);/*printcontentonthescreen*/
i++;
}
}
fclose(localfp);
}
}
/**************************************************************
功能:执行一次HTTP请求
***************************************************************/
voidDoOnce(){/*sendandreceive*/
ConnectWeb();/*connecttothewebserver*/
/*sendarequest*/
SendRequest();
/*receivearesponsemessagefromwebserver*/
ReceiveResponse();
close(sockfd);/*becauseHTTPprotocoldosomethingoneconnection,soIcancloseitafterreceiving*/
}
/**************************************************************
功能:执行HTTP请求
***************************************************************/
voidDoneWithList(intflag){
if(flag)fprintf(stdout," Request.%dis: %s",++reqn,request);
DoOnce();
if(flag)fprintf(stdout," Thefollowingistheresponseheader: %s",httpheader);
}
/**************************************************************
功能:从字符串src中分析出网站地址和端口,并得到文件和目录
***************************************************************/
intGetHost(char*src,char**web,char**file,int*port,char**dir){
char*pA,*pB,*pC;
intlen;
*port=0;
if(!(*src))return-1;
pA=src;
if(!strncmp(pA,"http://",strlen("http://")))pA=src+strlen("http://");
/*elseif(!strncmp(pA,"https://",strlen("https://")))pA=src+strlen("https://");*/
elsereturn1;
pB=strchr(pA,'/');
if(pB){
len=strlen(pA)-strlen(pB);
GetMemory(web,len);
memcpy((*web),pA,len);
if(*(pB+1)){
Rstrchr(pB+1,'/',&pC);
if(pC)len=strlen(pB+1)-strlen(pC);
elselen=0;
if(len>0){
GetMemory(dir,len);
memcpy((*dir),pB+1,len);
if(pC+1){
len=strlen(pC+1);
GetMemory(file,len);
memcpy((*file),pC+1,len);
}
else{
len=1;
GetMemory(file,len);
memcpy((*file),e,len);
}
}
else{
len=1;
GetMemory(dir,len);
memcpy((*dir),e+1,len);
len=strlen(pB+1);
GetMemory(file,len);
memcpy((*file),pB+1,len);
}
}
else{
len=1;
GetMemory(dir,len);
memcpy((*dir),e+1,len);
len=1;
GetMemory(file,len);
memcpy((*file),e,len);
}
}
else{
len=strlen(pA);
GetMemory(web,len);
memcpy((*web),pA,strlen(pA));
len=1;
GetMemory(dir,len);
memcpy((*dir),e+1,len);
len=1;
GetMemory(file,len);
memcpy((*file),e,len);
}
pA=strchr((*web),':');
if(pA)*port=atoi(pA+1);
else*port=80;
return0;
}
*filename:mailaddrsearch.c
*purpose:用C语言编写一个网络蜘蛛来搜索网上出现的电子邮件地址
*tidiedby:zhoulifa([email protected])周立发(http://zhoulifa.bokee.com)
Linux爱好者Linux知识传播者SOHO族开发者最擅长C语言
*datetime:2006-08-3121:00:00
*Note:任何人可以任意复制代码并运用这些文档,当然包括你的商业用途
*但请遵循GPL
*Thanksto:www.gd-linux.org广东省Linux公共服务技术支持中心
*********************************************************************/
intmain(intargc,char**argv)
{
intWebPort;
char*WebHost=0,*PageAddress=0,*WebDir=0;
if(argc<2){if(DEBUG)fprintf(stdout,"Commanderror,youshouldinputlikethis: %sWebPageAddress1WebPageAddress2WebPageAddress3...",argv[0]);exit(0);}
NodeHeader=NodeTail=NodeCurr=0;
//setlocale(LC_ALL,"zh_CN.gb2312");
for(i=1;i<argc;i++){
ret=GetHost(argv,&WebHost,&PageAddress,&WebPort,&WebDir);/*Getwebpageinfo*/
if(ret){if(DEBUG)fprintf(stdout,"GetHosterrorfrom'%s' ",argv);exit(0);}
AddInitNode(WebHost,PageAddress,WebPort,WebDir);/*addthispagetochain*/
}
free(WebHost);free(PageAddress);free(WebDir);
if(DEBUG){
fprintf(stdout," Display.%5d:",FileNumber);
DisplayNode(NodeHeader);/*displayeverynode*/
}
HandleInitNode(NodeHeader);/*handleeverypage*/
return0;
}
功能:分析网页
***************************************************************/
voidAnalyzePage(WEBNODE*node)
{
intfd;
intflength=0;
fd=open(node->file,O_RDONLY);
if(fd==-1)goto__AnalyzeDone;
flength=lseek(fd,1,SEEK_END);
write(fd,"\0",1);
lseek(fd,0,SEEK_SET);
mapped_mem=mmap(0,flength,PROT_READ,MAP_PRIVATE,fd,0);
GetEmail(mapped_mem);
GetLink(mapped_mem);
close(fd);
munmap(mapped_mem,flength);
__AnalyzeDone:
close(fd);
node->IsHandled=