获取网站的 HTML [关闭]

Posted

技术标签:

【中文标题】获取网站的 HTML [关闭]【英文标题】:Get the HTML of a site [closed] 【发布时间】:2013-08-24 00:04:44 【问题描述】:

我正在尝试将页面的 html 放入字符串(或 char[])...(等等) 我知道如何使用基本套接字,并作为客户端/服务器连接...

我过去写过一个客户端,它获取一个 ip 和端口,并连接到它,并使用客户端和服务器之间的套接字发送图像等......

我在网上搜索了一下,发现我可以连接到网站,并发送一个 GET 请求,以获取页面的 HTTP 内容并将其存储在一个变量中,但我有一些问题:

1)我正在尝试获取不是网站主页的页面的 HTML,例如,不是 ***.com,而是 ***.com/help 等(不是“网站的官方页面” ,但该网站内的东西)

2) 我不确定如何发送或存储从 GET 请求中获得的数据...

我看到有可以使用的外部库,但我宁愿只使用套接字...

顺便说一句 - 我使用的是 Windows 7,我的目标是它只能在 Windows 上运行(所以如果它不能在 Linux 上运行也可以)

感谢您的帮助! :)

【问题讨论】:

如果你想使用第三方代码,不如试试这个codeproject.com/Articles/2425/… HTTP 协议乍一看似乎很简单,但它有很多陷阱。我强烈建议您不要尝试手动实现它。你真的应该使用现有的库。 你想怎么编码告诉我这样可以更具体地告诉你.. @spt025 ASP 和 C++ 有什么关系? 哦,看看这个...纯 C++ cplusplus.com/forum/windows/17264 【参考方案1】:

要访问某个主机上的资源,您只需在请求的第一行中指定资源的路径,就在“GET”之后。例如。检查http://www.jmarshall.com/easy/http/#http1.1

GET /path/file.html HTTP/1.1
Host: www.host1.com:80
[blank line here]

我还建议使用一些便携式库,例如 Boost.ASIO,而不是套接字。但我强烈建议您使用一些现有的、可移植的库来实现 HTTP 协议。当然,前提是它不是学习如何实现它的问题。

即使您想自己实现它,了解现有的解决方案也是值得的。例如,您可以通过以下方式使用 cpp-netlib (http://cpp-netlib.org/0.10.1/index.html) 获取网页:

using namespace boost::network;
using namespace boost::network::http;

client::request request_("http://127.0.0.1:8000/");
request_ << header("Connection", "close");
client client_;
client::response response_ = client_.get(request_);
std::string body_ = body(response_);

这是使用 cURL 库 (http://curl.haxx.se/libcurl/c/simple.html) 的方法:

#include <stdio.h>
#include <curl/curl.h>

int main(void)

    CURL *curl;
    CURLcode res;

    curl = curl_easy_init();
    if(curl) 
        curl_easy_setopt(curl, CURLOPT_URL, "http://example.com");
        /* example.com is redirected, so we tell libcurl to follow redirection */ 
        curl_easy_setopt(curl, CURLOPT_FOLLOWLOCATION, 1L);

        /* Perform the request, res will get the return code */ 
        res = curl_easy_perform(curl);
        /* Check for errors */ 
        if(res != CURLE_OK)
            fprintf(stderr, "curl_easy_perform() failed: %s\n",
                    curl_easy_strerror(res));

        /* always cleanup */ 
        curl_easy_cleanup(curl);
    
    return 0;

这两个库都是可移植的,但如果您想使用一些特定于 Windows 的 API,您可以查看 WinINet (http://msdn.microsoft.com/en-us/library/windows/desktop/aa383630%28v=vs.85%29.aspx),但使用起来不太愉快。

【讨论】:

我不想使用其他库,因为当我使用 OpenCV 时,我必须将 2 个 DLLS 复制到 EXE 的任何位置,这很烦人……便携式库就像,库我只必须包含,但不要像普通的 .h 文件或其他东西一样定期行事? 我试图获取 about 页面的 HTML:这是我要发送的 get,虽然它不起作用:"GET /about / HTTP/1.1\r\nHost:***.com\r\nConnection: close\r\n\r\n"; Boost.ASIO 是仅标头库,这是 HTTP 同步客户端的示例:boost.org/doc/libs/1_54_0/doc/html/boost_asio/example/cpp03/…。 对于请求,您可能应该发送GET /about HTTP/1.1 [...],而不需要附加的/,这是主页的路径。

以上是关于获取网站的 HTML [关闭]的主要内容,如果未能解决你的问题,请参考以下文章

如何获取网站的所有网址? [关闭]

获取网站数据[关闭]

通过php从另一个网站获取文本[关闭]

如何从其他网站获取数据? [关闭]

如何从雅虎财经这样的网站获取数据? [关闭]

如何从另一个网站通过 Id 获取元素 [关闭]