用C语言写爬虫程序采集美图录图片

最近有个公司找我，说他们在某图库充值会员，想要使用里面的图片，而是是海量，问我有没有办法做个筛选并下载保存，成了给我包个大红包。这事有啥难得，以我现在的专业知识储备，这种事情分分钟就解决。

以下是一个简单的C爬虫程序。在这个例子中，我们使用了libcurl库来发送HTTP请求和处理响应。我们还使用了pcre库来解析HTML并提取图片链接。

#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#include <curl/curl.h>
#include <pcre.h>

#define URL "meitu"
#define PROXY_HOST "duoip"
#define PROXY_PORT "8000"
#define MAX_LINKS 10

int main() {
   
    CURL *curl;
    CURLcode res;
    char *url, *proxy_host, *proxy_port;
    int i, n_links;
    char **links;
    pcre *re;
    pcre_extra *extra;

    // 初始化libcurl和libpcre
    curl_global_init(CURL_GLOBAL_DEFAULT);
    re = pcre_compile("http://www\\.meitu\\.com/.*\\.jpg", PCRE_CASELESS | PCRE_EXTENDED, &extra, 0, NULL);
    if (re == NULL) {
   
        fprintf(stderr, "pcre_compile error: %s\n", extra->error_message);
        pcre_free_study(extra);
        curl_global_cleanup();
        return 1;
    }
    pcre_free_study(extra);

    // 创建一个CURL会话
    curl = curl_easy_init();
    if (curl) {
   
        // 设置代理服务器
        // 提取ip  "jshk.com.cn/mb/reg.asp?kefu=xjy&csdn"
        proxy_host = (char *)malloc(strlen(PROXY_HOST) + 1);
        proxy_port = (char *)malloc(strlen(PROXY_PORT) + 1);
        strcpy(proxy_host, PROXY_HOST);
        strcpy(proxy_port, PROXY_PORT);
        curl_easy_setopt(curl, CURLOPT_PROXY, proxy_host);
        curl_easy_setopt(curl, CURLOPT_PROXY_PORT, proxy_port);

        // 设置URL
        url = (char *)malloc(strlen(URL) + 1);
        strcpy(url, URL);

        // 发送HTTP请求
        curl_easy_setopt(curl, CURLOPT_URL, url);
        curl_easy_setopt(curl, CURLOPT_WRITEFUNCTION, write_callback);
        curl_easy_setopt(curl, CURLOPT_WRITEDATA, NULL);

        // 执行请求
        res = curl_easy_perform(curl);

        // 检查错误
        if (res != CURLE_OK) {
   
            fprintf(stderr, "curl_easy_perform error: %s\n", curl_easy_strerror(res));
            curl_easy_cleanup(curl);
            return 1;
        }

        // 释放资源
        curl_easy_cleanup(curl);

        // 解析HTML并提取图片链接
        n_links = parse_html(url, re, MAX_LINKS, &links);
        if (n_links < 0) {
   
            fprintf(stderr, "pcre_exec error: %s\n", re->error_message);
            pcre_free(re);
            return 1;
        }
        pcre_free(re);

        // 打印图片链接
        for (i = 0; i < n_links; i++) {
   
            printf("%s\n", links[i]);
        }
        free(links);
    }

    // 释放资源
    curl_global_cleanup();

    return 0;
}

// 用于处理HTTP响应的回调函数
size_t write_callback(char *buffer, size_t size, size_t nmemb, void *userp) {
   
    size_t total = size * nmemb;
    FILE *fp = (FILE *)userp;
    if (fp) {
   
        fwrite(buffer, total, 1, fp);
    }
    return total;
}

// 用于解析HTML并提取图片链接的函数
int parse_html(char *url, pcre *re, int max_links, char **links) {
   
    FILE *fp;
    char buffer[4096];
    int i, n_links;
    pcre_exec_t *match;

    // 打开URL
    fp = fopen(url, "r");
    if (fp == NULL) {
   
        fprintf(stderr, "fopen error: %s\n", strerror(errno));
        return -1;
    }

    // 逐行读取HTML
    n_links = 0;
    while (fgets(buffer, sizeof(buffer), fp)) {
   
        // 使用正则表达式匹配图片链接
        match = pcre_exec(re, NULL, buffer, strlen(buffer), 0, 0, NULL, 0);
        if (match) {
   
            if (n_links >= max_links) {
   
                break;
            }
            links[n_links++] = malloc(strlen(buffer) + 1);
            strcpy(links[n_links - 1], buffer + match[1].offset);
        }
    }

    // 关闭文件
    fclose(fp);

    // 清理资源
    pcre_free_study(re);
    for (i = 0; i < n_links; i++) {
   
        free(links[i]);
    }

    return n_links;
}

这段代码首先初始化了libcurl和libpcre，然后创建了一个CURL会话并设置了代理服务器。然后，它发送了一个HTTP请求到指定的URL，并将响应写入到一个文件中。然后，它解析了HTML并提取了其中的所有图片链接。最后，它打印了这些链接并释放了资源。

注意，这个程序并没有处理任何错误，例如网络错误或文件I/O错误。在实际使用中，你可能需要添加错误处理代码。

虽然说我思路很清晰，但是写作过程中还是会出现一些小错误，这就要求我们在写作过程中一定要细心，否则出现一个小bug可能要花你大半时间来找问题。如果有相关问题可以评论区留言讨论。