一只简单的网络爬虫(基于linux C/C++)————Url处理以及使用libevent进行DNS解析
2015-09-23 16:48
976 查看
Url处理
爬虫里使用了两个数据结构来管理Url下面的这个数据结构用来维护原始的Url,同时有一个原始Url的队列
[code]//维护url原始字符串 typedef struct Surl { char *url; int level;//url抓取深度 int type;//抓取类型 } Surl;
原始的Url队列
static queue <Surl *> surl_queue;//这个队列存放解析前的
下面的Url结构体用来维护解析后的url,同样的,配有一个url的队列
[code]//解析后的 typedef struct Url { char *domain;//域名 char *path;//路径 int port;//端口 char *ip;//IP int level;//深度 } Url;
解析后的url队列
static queue<Url *> ourl_queue;//这个队列存放DNS解析后的
另外,采用一个map容器用来保存域名解析前后的url的主机名称和ip地址
[code]static map<string, string> host_ip_map;//主机,ip的map容器
采用这样的方式的原因是,DNS解析是一个比较浪费时间的过程,解析过的主机名我们将其与ip地址采用map关联起来,因为同一个html页面里可能会有多个url是同一个主机名的,这样一来我们可以直接在map容器中查找该主机名对应的ip,而不必每次都进行DNS解析,这样做可以达到提高效率的效果
两个队列的一些常见的操作(出入队列等)这里就不在弹了
下面看看一个url解析的函数
[code]//解析域名,解析域名后surl队列中surl结构体会转化为url结构体放入url队列 void * urlparser(void *none) { Surl *url = NULL; Url *ourl = NULL; map<string, string>::const_iterator itr; //event_base * base = event_base_new(); //evdns_base * dnsbase = evdns_base_new(base, 1); //event_base_loop(base,EVLOOP_NONBLOCK); while(1) { pthread_mutex_lock(&sq_lock); while (surl_queue.empty()) //surl队列为空则一直等待,直到被唤醒 { pthread_cond_wait(&sq_cond, &sq_lock); } url = surl_queue.front();//取出surl队列中的url surl_queue.pop(); pthread_mutex_unlock(&sq_lock); ourl = surl2ourl(url);//原始的结构体转化为ourl //在回调函数中解析完加进去的 itr = host_ip_map.find(ourl->domain);//在主机IP的map中寻找 if (itr == host_ip_map.end())//找不到的才需要解析,找到说明之前解析过了 { // not found //解析DNSdns resolve event_base * base = event_init();//执行一次libevent库的初始化 evdns_init();//在使用任何解析器函数之前,必须调用evdns_init()函数初始化函数库 evdns_resolve_ipv4(ourl->domain, 0, dns_callback, ourl);//dns_callback回调函数 event_dispatch(); event_base_free(base); //evdns_base_resolve_ipv4(dnsbase, ourl->domain, 0, dns_callback, ourl); //event_base_loop(base, EVLOOP_ONCE | EVLOOP_NONBLOCK); } else { ourl->ip = strdup(itr->second.c_str());//之前解析过,直接拷贝 push_ourlqueue(ourl);//送入队列 } } //evdns_base_free(dnsbase, 0); //event_base_free(base); return NULL; }
surl2ourl(Surl * surl)函数如下,主要是将原始的url进行分割,分离出域名和路径,端口等,然后填入解析后的url结构
[code]//原始字符串Surl结构转化为url结构, static Url * surl2ourl(Surl * surl) {//calloc在动态分配完内存后,自动初始化该内存空间为零,而malloc不初始化,里边数据是随机的垃圾数据 Url *ourl = (Url *)calloc(1, sizeof(Url)); //strchr函数原型:extern char *strchr(const char *s,char c);查找字符串s中首次出现字符c的位置。 char *p = strchr(surl->url, '/'); if (p == NULL)//原始字符串不存在'/' { ourl->domain = surl->url;//直接是域名 ourl->path = surl->url + strlen(surl->url);//路径其实是空的 } else { *p = '\0';//覆盖'/' ourl->domain = surl->url;//提取域名 ourl->path = p+1;//提取路径 } // port端口,冒号后面是端口 //查找字符在指定字符串中从正面开始的最后一次出现的位置 p = strrchr(ourl->domain, ':');//找最后一个出现的冒号 if (p != NULL) { *p = '\0'; ourl->port = atoi(p+1); if (ourl->port == 0) ourl->port = 80; } else //Url中若没有端口号,则是默认的80端口 { ourl->port = 80; } // level ourl->level = surl->level; return ourl; }
urlparser函数主要完成了下面的工作,surl转化为url结构,查找map容器,如果是之前未解析的,采用lievent进行域名解析,然后加入map容器,url结构进入ourl队列
lievent的DNS解析
lievent的使用可以参考libevent Documentation主要是使用了该函数
[code]int evdns_resolve_ipv4 (const char *name, int flags, evdns_callback_type callback, void * ptr )
参数
[code]name:是想要DNS解析的一个主机名 flags:可以填 0,或者 DNS_QUERY_NO_SEARCH 禁用搜索此查询 callback:是一个回调函数,在解析完成的时候会回调该函数 ptr: 一个传给回调函数的参数
在回调函数中可以得到解析后的ip地址
[code]//DNS解析回调函数 static void dns_callback(int result, char type, int count, int ttl, void *addresses, void *arg) { Url * ourl = (Url *)arg; struct in_addr *addrs = (in_addr *)addresses; if (result != DNS_ERR_NONE || count == 0) { SPIDER_LOG(SPIDER_LEVEL_WARN, "Dns resolve fail: %s", ourl->domain); } else { char * ip = inet_ntoa(addrs[0]);//网络字节序转化为主机字节序 SPIDER_LOG(SPIDER_LEVEL_DEBUG, "Dns resolve OK: %s -> %s", ourl->domain, ip); host_ip_map[ourl->domain] = strdup(ip);//ip填入domain对应的ip ourl->ip = strdup(ip);//ip填入ourl push_ourlqueue(ourl);//加入队列 } event_loopexit(NULL); // not safe for multithreads }
另外,在主函数中,专门开了一个线程用来进行url的DNS解析的
[code]// 启动用于解析DNS的线程 int err = -1; if ((err = create_thread(urlparser, NULL, NULL, NULL)) < 0) {//urlparser在url.cpp中 SPIDER_LOG(SPIDER_LEVEL_ERROR, "创建Url解析线程失败: %s", strerror(err)); }
只要原始的url队列不为空,则一直进行DNS的解析,解析后放入另一个队列,若原始url为空(还没有抓取其他的url),则一直在等待,使用的是条件变量
[code] pthread_cond_wait(&sq_cond, &sq_lock);
知道surl队列有url入队,被唤醒继续进行DNS解析的服务
[code]//发送一个信号给另外一个正在处于阻塞等待状态的线程, //使其脱离阻塞状态,继续执行.如果没有线程处在阻塞等待状态, //pthread_cond_signal也会成功返回 if (surl_queue.size() == 1) pthread_cond_signal(&sq_cond);
相关文章推荐
- OpenWrt下基于Bird的AdHoc无线多跳网络组建与测试
- Inveigh is a Windows PowerShell LLMNR/NBNS spoofer with challenge/response capture over HTTP/SMB
- 配置支持高并发TCP连接的Linux服务器全攻略
- Linux网络配置命令
- Java EE : 一、图解Http协议
- 一只简单的网络爬虫(基于linux C/C++)————浅谈并发(IO复用)模型
- 17.3 基于TCP协议的网络编程
- javaEE__http协议
- TCP/IP 邮件(四)
- 通用js函数集锦<来源于网络/自己> 【一】
- http各种中的各种timeout
- 高德地图API采用沃通SSL证书实现https加密
- 浅谈 Linux 内核开发之网络设备驱动
- 网络子系统在链路层的收发过程剖析
- 网络协议(一)
- ubuntu Apache2 如何 设置 HTTPS
- win8+centos环境下s3c2410通过网络下载程序
- Nginx 的 TCP 负载均衡介绍
- iOS开发网络篇—搭建本地服务器
- iOS开发网络篇—HTTP协议