用Qt写软件系列六：博客园客户端的设计与实现（用Fiddler抓包，用CURL提交数据，用htmlcxx解析HTML）

引言

博客园是本人每日必逛的一个IT社区。尽管博文以.net技术居多，但是相对于CSDN这种业务杂乱、体系庞大的平台，博客园的纯粹更得我青睐。之前在园子里也见过不少讲解为博客园编写客户端的博文。不过似乎都是移动端的技术为主。这篇博文开始讲讲如何在PC端编写一个博客园客户端程序。一方面是因为本人对于博客园的感情；另一方面也想用Qt写点什么东西出来。毕竟在实践中学习收效更快。

登录过程分析

登录功能是一个客户端程序比不可少的功能。在组装Http数据包发送请求之前，我们得看看整个登录是怎样一个过程。Fiddler Web Debugger是一个非常不错的捕捉http数据包的工具。我们就用它来抓取登录时的几个数据包，看看都发送些什么内容：



观察看看，POST请求的地址为http://passport.cnblogs.com/login.aspx?ReturnUrl=http%3a%2f%2fwww.cnblogs.com%2f，所有的请求数据都将发往login.aspx这个页面。Referer字段是指从哪个页面跳向这个页面的，一般用于反盗链。我们模拟Http请求的时候，把它原样复制进去就是。User-Agent则表明使用的浏览器内核版本信息，这里我用的是IE9。在模拟的时候也招办不误。剩余字段中最重要的是Host和Accept-Encoding两个字段。其中Accept-Encoding表明客户浏览器能接受什么格式的数据，gzip表示浏览器可接受压缩格式的数据。这在编写客户端的时候需要注意了，因为浏览器可以对gzip格式数据解码，除非自己实现解码功能，否则我们的客户端还是用deflate格式。这里的Cookie不知道是干什么用的，不过在登录之前我想对用户作用不大。

这里用的是POST请求方式，报文数据部分才是登录时最需要的数据。Fiddler的功能真是强大，看看下图就知道了：



可以看到，POST发送的数据总共有8对。其中__EVENTTARGET和__EVENTARGUMENT字段目前是空的，__VIEWSTATE和__EVENTVALIDATION则是两个很长的字符串，具体作用不知道，但是这不影响我们。在验证的时候我们手动组装即可，自动登录的时候从页面中过滤出来即可。后面将利用htmlcxx这个工具完成。剩下四个字段中只有用户名和密码是变化的，其他两个字段固定不变，拼接到末尾即可。也就是说，我们需要自己组装http报文头部和数据部分。这个工作利用Libcurl这个库来完成。

模拟HTTP请求

那么接下来的工作就是组装Http数据包了。libcurl是完成这项工作的有力工具，关于这个工具的使用网上的页面挺多，但是正式用在模拟登陆中的少见。这篇博文倒是讲解了利用libcurl登陆csdn的原理。然而区别的是，该博文中并未讲解如何使用POST方式请求数据。因此在摸索过程遇到不少困难，接下来以代码的形式讲解组包发送的过程：

　　在调用该函数先需要先初始化libcurl的上下文环境，并将初始化得到的CURL*指针传递进来。注意headers是一个struct curl_slist*类型的指针，在使用之前需要先清空。这里需要注意的是：每一次发送请求数据之前，我们都要清空这个headers所指向的结构体，否则会服务器会返回400错误！在上面的函数中，我们初始化了headers结构体。这个结构体存储的都是数据包头部相关的字段，前面抓取到的字段全部往这里面塞就行了。curl_easy_setopt()函数是libcurl中非常重要的函数，其功能类似于fnctl和ioctl这样的系统调用，主要用于控制libcurl的行为。这里需要需要注意的是CURLOPT_POSTFIELDS这个属性，它用于控制当前的请求方式是否使用POST。

　　接着便是登录了。我们首先手动组装了需要发送的数据部分，这个地方也需要注意：如果是直接从网页中提取出来的话，需要进行编码将' ', '/', '+'等字符编码替换。这里是手动的直接粘贴即可。然后就初始化libcurl的使用环境，设置回调函数保存数据。curl_easy_perform()在后台完成了所有的工作，数据的首发、cookies文件的发送保存工作都不要程序员插手。所以整个代码看起来非常简单。

调用完成后将在工程目录下可以看到下载到的页面源代码。如果登录成功，还可以在工程目录下可到生成的cookies文件，而从服务器返回的数据内容如下：



接下来我们就可以开始访问我们账户的数据了，如我评论过的博文、我推荐过的博文、我关注的人！那么，我们还得先把页面代码下载下来：

　　请求URL设置为http://www.cnblogs.com/aggsite/mydigged，表示我推荐过的博文页面。而Referer和host字段则根据fiddler抓取结果进行填充。注意这里的headers又进行了一次初始化哦。其他的仍然保持不变。要是没有什么大问题，这个页面的源代码已经下载完成了。那么接下来的工作就是解析页面内容了。

解析页面内容

解析HTML这种结构性文本用字符串查找的方式或正则表达式看似都行，但是工作量实在太大，准确性还很难说。在网上找到一个专用于解析html代码的C++库：htmlcxx。这个库是C++编写的，目前似乎已经停止更新了，最新的版本下载到的是0.84。这个库下载下来的是源代码，需要进行编译生成lib使用。在windows环境下我使用vs2010直接编译的，没有错误产生。这个库的文档基本没有，网上只有少数的几个例子。下面以实例讲解下该库的使用方式：

　　 先引入命名空间初始化解析器，并从中获取到两个迭代器。该库允许我们以迭代器的方式来遍历其构造的DOM树：

　　 上面的注释已经非常清楚了，htmlcxx这个库的使用也非常简单，提供的API只有七八个。看看都输出了些什么：





结果还不错，代码量却很少。还真的是挺强大的，算法的力量！要是光靠字符串匹配还正不知道有没有勇气去做。另外，前面还提到了在登录时需要组装POST数据的问题。如果是手动写死在代码中，在推广使用的时候显然是不行的。还得从页面中自动提取才行：

　　再看看提取结果：



规规矩矩、整整齐齐。好了，htmlcxx的演示到这里结束了。

遇到的问题

htmlcxx在解析中文的时候，可能会出现问题，需要进行调整。网上的代码很多。据说是htmlcxx的一个Bug。

libcurl使用POST的方式。CURLOPT_POSTFIELDS字段。

htmlcxx的编译方式，需要保证编译方式和目标工程方式一直，否则无法和其他库一起配合使用。解决方案：项目属性-->C/C++-->代码生成-->运行库，与目标工程保持一致

小结

登录及页面解析工作基本告一段落，下一阶段就是界面整合。
http://www.cnblogs.com/csuftzzk/p/libcurl_htmlcxx.html