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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22

void createSession(CURL* curl, int postoff, const char* post_params, const char* post_url, const char* hosts, const char* refer, struct curl_slist *headers) {     if(curl){         headers = curl_slist_append(headers,"User-Agent: Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0)");         headers = curl_slist_append(headers, hosts);         headers = curl_slist_append(headers,"Accept: text/html, application/xhtml+xml, */*");         headers = curl_slist_append(headers,"Accept-Language:zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3");         headers = curl_slist_append(headers,"Accept-Encoding:deflate");         headers = curl_slist_append(headers, refer);         headers = curl_slist_append(headers,"Connection:keep-alive");                   curl_easy_setopt(curl, CURLOPT_COOKIEJAR, "cookie.txt");        //把服务器发过来的cookie保存到cookie.txt         curl_easy_setopt(curl, CURLOPT_HTTPHEADER, headers);     curl_easy_setopt(curl, CURLOPT_URL, post_url);      curl_easy_setopt(curl, CURLOPT_POSTFIELDS, post_params);        // 使用POST方式发送请求数据       curl_easy_setopt(curl, CURLOPT_POST, postoff);      curl_easy_setopt(curl, CURLOPT_VERBOSE, 1);          curl_easy_setopt(curl, CURLOPT_COOKIEFILE, "cookie.txt");       // cookies文件     }   }

　　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。

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29

int loginServer() {     CURL* curl = NULL;     CURLcode res = CURLE_FAILED_INIT;     const char* filename = "out.txt";     struct curl_slist *headers = NULL;     FILE* outfile;     static const char* post_params = "__EVENTTARGET=&__EVENTARGUMENT=&__VIEWSTATE=(前面的内容)&__EVENTVALIDATION=(前面的内容)&tbUserName=name&tbPassword=name&btnLogin=%E7%99%BB++%E5%BD%95&txtReturnUrl=http%3A%2F%2Fwww.cnblogs.com%2F";     static const char* post_url = "http://passport.cnblogs.com/login.aspx?ReturnUrl=http%3a%2f%2fwww.cnblogs.com%2f";     static const char* refer = "Referer: http://passport.cnblogs.com/login.aspx?ReturnUrl=http%3A%2F%2Fwww.cnblogs.com%2F";       curl_global_init(CURL_GLOBAL_ALL);     　　 curl = curl_easy_init();       createSession(curl, 1, post_params, post_url, "Host:passport.cnblogs.com", refer, headers);     outfile = fopen(filename, "w");     curl_easy_setopt(curl, CURLOPT_WRITEFUNCTION, write_callback);   // 注册回调函数，当数据到来的时候自动调用这个函数存储数据     curl_easy_setopt(curl, CURLOPT_WRITEDATA, outfile);              // 和回调函数一起设置，表示数据存储的地方    　　 //执行http请求    　　 res = curl_easy_perform(curl);     // 发送数据、接受数据等工作，我们不需插手     　　  //释放资源   　　  curl_easy_cleanup(curl);   　　  curl_slist_free_all(headers); 　　　　 curl_global_cleanup();     fclose(outfile);       return res == CURLE_OK;     }

　　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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27

void downloadPage() {     CURLcode res = CURLE_FAILED_INIT;     CURL* curl = NULL;     FILE* homepage;     struct curl_slist *headers = NULL;     static const char* post_url = "http://www.cnblogs.com/aggsite/mydigged";    // 我推荐过的博文     static const char* refer = "Referer: http://www.cnblogs.com/login.aspx?ReturnUrl=http%3A%2F%2Fwww.cnblogs.com%2F";       if (loginServer())     {         curl_global_init(CURL_GLOBAL_ALL);         curl = curl_easy_init();         createSession(curl, 0, "", post_url, "Host:www.cnblogs.com", refer, headers);         homepage = fopen("homepage.txt", "w");         curl_easy_setopt(curl, CURLOPT_WRITEFUNCTION, write_callback);          curl_easy_setopt(curl, CURLOPT_WRITEDATA, homepage);         //执行http请求         res = curl_easy_perform(curl);           //释放资源         curl_easy_cleanup(curl);         curl_slist_free_all(headers);         curl_global_cleanup();         fclose(homepage);     } }

　　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：

1 2 3 4 5 6 7 8 9 10 11 12 13

using namespace htmlcxx;<br>fstream out; out.open("out.txt", ios::out);     // 所有的解析结果全部保存在out.txt文件中 fstream htmlFileStream; htmlFileStream.open( "test.txt", ios::in );    // text.txt中保存的是上文中下载的页面源代码 istreambuf_iterator<char> fileBeg(htmlFileStream), fileEnd; string html( fileBeg, fileEnd ); htmlFileStream.close();   HTML::ParserDom parser; tree<HTML::Node> dom = parser.parseTree(html);   tree<HTML::Node>::iterator domBeg = dom.begin(); tree<HTML::Node>::iterator domEnd = dom.end();

　　  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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38

int count; string temp; for (; domBeg != domEnd; ++domBeg)   // 遍历文档中所有的元素 {     if (!domBeg->tagName().compare("div"))    // 查找所有div标签     {         domBeg->parseAttributes();    // 这个函数很重要。如果不调用，我们无法获取标签的属性。而下面我们正需要获取div的class属性，所以必须调用。         if (!domBeg->attribute("class").second.compare("post_item"))   // 如果是class属性值为post_item，表明是一个博文结构，开始解析         {             count = 0;  // count计数，每条博文只解析7个字段，主要是为了跳出循环。没有找到更好的跳出循环的方法             out << "-----------------------------------------------" << endl;             for (; domBeg != domEnd; ++domBeg)             {                 if (!domBeg->tagName().compare("a"))  // 如果是a标签，则将a标签的href属性值提取出来保存到文件                 {                     domBeg->parseAttributes();                     out << domBeg->attribute("href").second << endl;                 }                 if (!domBeg->isTag())   // 如果不是html标签而是普通文本，那么就要进行空格处理                 {                     temp = domBeg->text();  // 先将该文本提出取出来                     temp.erase(0,temp.find_first_not_of(" v "));  // 去掉' ', ' ', 'v', ' ', ' '                     temp.erase(temp.find_last_not_of(" v ") + 1);                     if (!temp.empty())  // 如果剔除了空格字符之后还剩下其他字符，则保存到文件                     {                         out << temp << endl;                         ++count;                     }                 }                 if (count == 7)   // 已经找到7个字段，跳出循环，继续下一条博文的解析                 {                     break;                 }             }         }     }   }

　　  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：

1 2 3 4 5 6 7 8 9 10 11 12 13 14

int count = 0; for (; domBeg != domEnd; ++domBeg) {     if (!domBeg->tagName().compare("input"))   // 只检查input标签，因为那几个字段都是在input里面     {         domBeg->parseAttributes();         out << "name: " << domBeg->attribute("name").second ;  // 提取键名,即input的name属性         out << " value:" << domBeg->attribute("value").second << endl;  // 提取键值，即input的value属性         if (++count == 4)  // 只要四个字段，提前结束解析工作。         {             break;         }     } }

　　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

1. 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。
2. libcurl使用POST的方式。CURLOPT_POSTFIELDS字段。
3. 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