什么叫爬虫技术
有什么作用
爬虫被称为网页蜘蛛，网络机器人，在FOAF社区中间经常的称为网页追逐者），是一种一定的规则，自动的抓取万维网信息的程序或者脚本。
另外一些不常使用的名字还有蚂蚁，自动索引，模拟程序或者蠕虫.网络爬虫是一个自动提取网页的程序，它为搜索引擎从万维网上下载网页，是搜索引擎的重要组成。
传统爬虫从一个或若干初始网页的URL开始，获得初始网页上的URL，在抓取网页的过程中，不断从当前页面上抽取新的URL放入队列,直到满足系统的一定停止条件。
聚焦爬虫的工作流程较为复杂，需要根据一定的网页分析算法过滤与主题无关的链接，保留有用的链接并将其放入等待抓取的URL队列。
然后，它将根据一定的搜索策略从队列中选择下一步要抓取的网页URL，并重复上述过程，直到达到系统的某一条件时停止。
另外，所有被爬虫抓取的网页将会被系统存贮，进行一定的分析、过滤，并建立索引，以便之后的查询和检索；对于聚焦爬虫来说，这一过程所得到的分析结果还可能对以后的抓取过程给出反馈和指导。
相对于通用网络爬虫，聚焦爬虫还需要解决三个主要问题： (1) 对抓取目标的描述或定义； (2) 对网页或数据的分析与过滤； (3) 对URL的搜索策略。
抓取目标的描述和定义是决定网页分析算法与URL搜索策略如何制订的基础。
而网页分析算法和候选URL排序算法是决定搜索引擎所提供的服务形式和爬虫网页抓取行为的关键所在。
这两个部分的算法又是紧密相关的。
如何优雅地使用c语言编写爬虫
前言大家在平时或多或少地都会有编写网络爬虫的需求。
一般来说，编写爬虫的首选自然非python莫属，除此之外，java等语言也是不错的选择。
选择上述语言的原因不仅仅在于它们均有非常不错的网络请求库和字符串处理库，还在于基于上述语言的爬虫框架非常之多和完善。
良好的爬虫框架可以确保爬虫程序的稳定性，以及编写程序的便捷性。
所以，这个cspider爬虫库的使命在于，我们能够使用c语言，依然能够优雅地编写爬虫程序。
爬虫的特性配置方便。
使用一句设置函数，即可定义user agent，cookie，timeout，proxy以及抓取线程和解析线程的最大数量。
程序逻辑独立。
用户可以分别定义爬虫的解析函数，和数据持久化函数。
并且对于解析到的新url，用户可以使用cspider提供的addUrl函数，将其加入到任务队列中。
便捷的字符串处理。
cspider中提供了基于pcre的简单的正则表达式函数，基于libxml2的xpath解析函数，以及用于解析json的cJSON库。
高效的抓取。
cspider基于libuv调度抓取线程和解析线程，使用curl作为其网络请求库。
使用cspider的步骤获取cspider_t。
自定义user agent，cookie，timeout，proxy以及抓取线程和解析线程的最大数量。
添加初始要抓取的url到任务队列。
编写解析函数和数据持久化函数。
启动爬虫。
例子先来看下简单的爬虫例子，会在后面详细讲解例子。
#include\\\/* 自定义的解析函数，d为获取到的html页面字符串*\\\/void p(cspider_t *cspider, char *d, void *user_data) { char *get[100]; \\\/\\\/xpath解析html int size = xpath(d, \\\/\\\/body\\\/div[@class='wrap']\\\/div[@class='sort-column area']\\\/div[@class='column-bd cfix']\\\/ul[@class='st-list cfix']\\\/li\\\/strong\\\/a, get， 100); int i; for (i = 0; i < size; i++) { \\\/\\\/将获取到的电影名称，持久化 saveString(cspider, get[i]); }}\\\/* 数据持久化函数，对上面解析函数中调用的saveString()函数传入的数据，进行进一步的保存*\\\/void s(void *str, void *user_data) { char *get = (char *)str; FILE *file = (FILE*)user_data; fprintf(file, %s\\\ , get); return;}int main() { \\\/\\\/初始化spider cspider_t *spider = init_cspider(); char *agent = Mozilla\\\/5.0 (Macintosh; Intel Mac OS X 10.10; rv:42.0) Gecko\\\/20100101 Firefox\\\/42.0; \\\/\\\/char *cookie = bid=s3\\\/yuH5Jd\\\/I; ll=108288; viewed=1130500_24708145_6433169_4843567_1767120_5318823_1899158_1271597; __utma=30149280.927537245.1446813674.1446983217.1449139583.4; __utmz=30149280.1449139583.4.4.utmcsr=accounts.douban.com|utmccn=(referral)|utmcmd=referral|utmcct=\\\/login; ps=y; ue=965166527@qq.com; dbcl2=58742090:QgZ2PSLiDLQ; ck=T9Wn; push_noty_num=0; push_doumail_num=7; ap=1; __utmb=30149280.0.10.1449139583; __utmc=30149280; \\\/\\\/设置要抓取页面的url cs_setopt_url(spider, so.tv.sohu.com\\\/list_p1100_p20_p3_u5185_u5730_p40_p5_p6_p77_p80_p9_2d1_p101_p11.html); \\\/\\\/设置user agent cs_setopt_useragent(spider, agent); \\\/\\\/cs_setopt_cookie(spider, cookie); \\\/\\\/传入解析函数和数据持久化函数的指针 cs_setopt_process(spider, p, NULL); \\\/\\\/s函数的user_data指针指向stdout cs_setopt_save(spider, s, stdout); \\\/\\\/设置线程数量 cs_setopt_threadnum(spider, DOWNLOAD, 2); cs_setopt_threadnum(spider, SAVE, 2); \\\/\\\/FILE *fp = fopen(log, wb+); \\\/\\\/cs_setopt_logfile(spider, fp); \\\/\\\/开始爬虫 return cs_run(spider);}例子讲解cspider_t *spider = init_cspider();获取初始的cspider。
cs_setopt_xxx这类函数可以用来进行初始化设置。
其中要注意的是: cs_setopt_process(spider,p,NULL);与cs_setopt_save(spider,s,stdout);，它们分别设置了解析函数p和数据持久化函数s，这两个函数需要用户自己实现，还有用户自定义的指向上下文信息user_data的指针。
在解析函数中，用户要定义解析的规则，并对解析得到的字符串可以调用saveString进行持久化，或者是调用addUrl将url加入到任务队列中。
在saveString中传入的字符串会在用户自定义的数据持久函数中得到处理。
此时，用户可以选择输出到文件或数据库等。
最后调用cs_run(spider)即可启动爬虫。
具体的API参数可在这里查看总结赶快使用cspider爬虫框架来编写爬虫吧
如果在使用过程中发现bug，欢迎反馈。
望采纳，谢谢
