C语言爬虫
http://bbs.bccn.net/thread-504909-1-1.htmlhttps://cloud.tencent.com/developer/information/c%E8%AF%AD%E8%A8%80%E7%BC%96%E5%86%99%E7%88%AC%E8%99%AB
参考爬http的爬虫代码,只要GET + source + HTTP/1.1 +host ,然后接受返回的消息就是网页内容。
现在很多网站都相机改成https的了,我试了还是用爬http的代码爬了一下https的网站,但是得到的是 Your request has bad syntax or is inherently impossible to satisfy.
抓包看了一下,
1、www.zhihu.com
三次握手后(应该是connect之后自带的三次握手之后吧?),作为访问端发送的还是第一个包还是 GET / HTTP /1.1 和其他的一些内容。但是这里其他的内容有:Host,Connection,Accept,Upgrade-Insecure-Requests,User-Agent,Referer,Accept-Encoding,Accept-Language,Cookie,udid,_zap,d_c0,l_cap_id(抓的是访问知乎首页的包),服务器返回的是 HTTP/1.1 302 Found 和一些参数包括cookie之类的东西.
然后客户端和服务器互相发了两次TCP包(是不是也是tcp/ip帮我们已经实现的保持通联的或者确认的包?),之后就是client hello 、server hello
2、www.taobao.com
三次握手之后,直接就是 client hello和server hello
问题:
1、访问https网站到底需不需要先GET。如果需要的话,像访问知乎中Cookie,udid,_zap,d_c0,l_cap_id等参数是怎么确定的?(因为我直接用GET + source + HTTP/1.1 +host,返回的是 Your request has bad syntax or is inherently impossible to satisfy)
下面是参考的爬虫代码
参考爬http的爬虫代码,只要GET + source + HTTP/1.1 +host ,然后接受返回的消息就是网页内容。
现在很多网站都相机改成https的了,我试了还是用爬http的代码爬了一下https的网站,但是得到的是 Your request has bad syntax or is inherently impossible to satisfy.
抓包看了一下,
1、www.zhihu.com
三次握手后(应该是connect之后自带的三次握手之后吧?),作为访问端发送的还是第一个包还是 GET / HTTP /1.1 和其他的一些内容。但是这里其他的内容有:Host,Connection,Accept,Upgrade-Insecure-Requests,User-Agent,Referer,Accept-Encoding,Accept-Language,Cookie,udid,_zap,d_c0,l_cap_id(抓的是访问知乎首页的包),服务器返回的是 HTTP/1.1 302 Found 和一些参数包括cookie之类的东西.
然后客户端和服务器互相发了两次TCP包(是不是也是tcp/ip帮我们已经实现的保持通联的或者确认的包?),之后就是client hello 、server hello
2、www.taobao.com
三次握手之后,直接就是 client hello和server hello
问题:
1、访问https网站到底需不需要先GET。如果需要的话,像访问知乎中Cookie,udid,_zap,d_c0,l_cap_id等参数是怎么确定的?(因为我直接用GET + source + HTTP/1.1 +host,返回的是 Your request has bad syntax or is inherently impossible to satisfy)
下面是参考的爬虫代码
程序代码:
//#include <Windows.h>#include <string> #include <iostream> #include <fstream> #include <vector> #include "winsock2.h" #include <time.h> #include <queue> #include <hash_set> #pragma comment(lib, "ws2_32.lib") using namespace std; #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://"); char pHost[100]; char pResource[2000]; if( strstr( pos, "/")==0 ) { pResource[0]='/';pResource[1]=0; strcpy(pHost,pos); } else sscanf( pos, "%[^/]%s", pHost, pResource );//以%s的形式读取, %[^a]表示匹配非a的任意字符,直到遇到a停止读入 //这里pHost取“http://”后面到第一个‘/’之间的字符串,从第一个‘/’到结束都传给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 Host:" + host + " Connection:Close ";//字符串拼接 //发送数据 if( SOCKET_ERROR ==send( sock, request.c_str(), request.size(), 0 ) ){//request.size()=strlen(request.c_str) 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 << " Realloc memorry"<<endl; m_nContentLength *=2; pageBuf = (char*)realloc( pageBuf, m_nContentLength); //重新分配内存 } cout << ret <<""; } cout <<endl; pageBuf[bytesRead] = '