批量下载百度搜索结果页

beyes

程序说明：
这是一个朋友需要用(UniBI ?)，所以简单写了一个。程序的作用是，通过在命令行中指定百度关键字，然后定义要下载的结果页的页数。程序运行后，会自动下载所有的搜索结果页，严格的说，不是所有，为了方便起见，对百度知道，贴吧这些网页不做收集。程序代码如下：

#include <stdio.h>
#include <string.h>
#include <stdlib.h>

int main (int argc, char **argv)
{
     int i;
     char itochar[5];
     int len;

     FILE *stream;
     
     int dweb = 0;
     int dwebstr;
     
     char bd[20] = {" baidu"};
     char *bdhtml = ".html ";

     char godown[512] = {"curl -o"};
     char urlmsg[512];
     char *purl = urlmsg;

     char serurl[30] = {"'http://www.baidu.com/s?wd="};
     char urlsufix[5] = {"&pn="};   
     char buf[5];

     if (argc == 1) {
         printf ("使用方法: ./web 关键词 下载结果页的页数(限制在9页内)\n");
         exit (1);
     }
     dweb = atoi (argv[2]);
     if (dweb > 9) {
         printf ("下载页数在10页内\n");
         exit (1);
     }
     
     /*下载搜索结果页*/
     for (i = 0; i <= dweb; i ++) {

         sprintf (itochar, "%d", i);
         strcat (bd, itochar);    /*变成 baidu(x)..x为网页号*/   
         
         strcat (bd, bdhtml);    /*如变成 baidu7.html*/
         strcat (godown, bd);    /*连接成 curl -o baidu7.html 的形式(后面有1空格)*/
         
         /*curl -o baidux.html 'http://www.baidu.com/s?wd=*/
         strcat (godown, serurl);
         
         dwebstr = i * 10;
         sprintf (buf, "%d", dwebstr);      /*页码设置*/
         
         strcat (godown, argv[1]);
         strcat (godown, urlsufix);
         strcat (godown, buf);

         len = strlen (godown);
         godown[len] = '\'';
         godown[len + 1] = '\0';        /*命令设置完毕*/
         system (godown);

         sprintf (godown, "%s", "curl -o ");
         sprintf (bd, "%s", " baidu");
     }
     system ("sh filter.sh");
     stream = fopen ("merge.txt", "r");
     if (stream == NULL) {
         perror ("errno");
         exit (1);
     }
     i = 1;        /*下载网页命名号*/
     fread (purl, 1, 1, stream);
     while ( !feof (stream) ) {
         while (*purl != '\n') {
             purl += 1;
             fread (purl, 1, 1, stream);
         }
         *purl = '\0';    /*读取一行URL结束*/
         sprintf (buf, "%d", i);
         strcat (godown, buf);    /*curl -o 1*/
         strcat (godown, bdhtml); /*curl -o x.html*/
         strcat (godown, urlmsg);    /*curl -o x.html url*/
         system (godown);
         i += 1;
         fread (purl, 1, 1, stream);
         sprintf (godown, "%s", "curl -o ");
         purl = urlmsg;        /*重新定位*/
     }
     close (stream);

     return (0);
}

主要是利用了 curl 的下载功能以及脚本做了网页的 URL 提取。脚本内容如下：
#!/bin/bash

num=0

for file in baidu*.html; do
     sed '/<table border="0" cellpadding="0" cellspacing="0" id=/!d' $file> $file.txt
awk -Fhref=\" '{print $2}' $file.txt > $file.txt.txt
rm -f $file.txt
awk -F\/\"  '{print $1}' $file.txt.txt > $file.txt
rm -f $file.txt.txt
awk -Fawk -F\"\ \ target\=\" '{print $1}' $file.txt > $file.txt.txt
mv $file.txt.txt $file.txt
done

for file in *.txt; do
     cat $file>> merge.txt
done

rm -f baidu*.html.txt

exit 0