/*
* 名称：步步递近网络蜘蛛（二）
*
* 版本：v2.0
*
* 作者：张双喜
*
* 日期：2010.10.21
*
* 功能：从文件中读取合法的网址（在html中语法表达中正确的网址），并把所有网址存入在链表中,最后打印所有合法网址。
*
* 设计思想：
* 1、如何查找网址？
* 1.参考版本v1.0，即：可以成功读取程序中定义的字符串中合法网址
*
* 2、如何获取合法网址？
* 1.fread(buf, 1024, 1, fp)
* 从文件中一次读取1024个字节内容，存入buf[]，其中这1024个字节内容可能包括合法的网址、非法的网址、换行符号/n、空格等其他符号
* 2.get_string_from_1024()
* 对1024个字符进行解析，即：把第一次出现/n前的内容存入str[]中,然后对str[]中的内容进行是否是合法网址判断，
* 如果是合法网址，把该网址存入单链表
* 3.get_every_link()
* 获取每一个网址
* 该函数框架大致如下：
* get_every_link()
* {
* while(循环条件) //不断的对文件进行读取，注意每次读取的开始位置
* {
* fread(buf, 1024, 1, fp); //读取1024个文件，存入buf[]
* get_string_from_1024(); //获取第一个/n前的内容，存入str[]
* link(); //对str[]中内容进行判断，如果事合法网址，并存入单链表中。
* }
* }
* 说明：
* 链表中一个结点存放一个合法的网址
*
* 3、如何输出所有合法网址？
* 1.printf_link()
* 打印网址，即：打印链表，因为所有合法网址都顺序的存放在该链表中。
*
* update 1
* 修正了原来链表中一个结点只存放一个字符的问题，现在修正为一个结点存放一个字符串
*
* 还存在的问题：
* fread读文件时效率太低，因为在buf中如果出现了合法网址，就要从这个合法网址开始下一次读文件，每次读文件时可能会重复读很多内容，从而导致效率偏低
*
* 版本：v2.1
*
* 作者：张双喜
*
* 日期：2010.10.22
*
* */
#include <stdio.h>
#include <stdlib.h>
#include <string.h>
#define N 1024
typedef struct node
{
char * data;
struct node * next;
}NODE, * PNODE;
char buf[N] = {0}; //存放fread读出来的值
char str[N] = {0}; //存放从读出的1024个字节中解析出的第一行内容
char link_temp[N] = {0}; //临时存放合法网址
//自己实现的strncmp函数
int my_strncmp(char *p, char *q, int n)
{
int i = 0;
int count = 0;
for( i = 0; i < n; i++)
{
if(*(p+i) == *(q+i))
{
count++;
}
}
if(count == n)
{
return 0;
}
else
{
return 1;
}
}
//判断是否满足"<a "
char * judge_mark_a(char **p, int *count)
{
while((0 != my_strncmp(*p, "<a ", 3)) && ('/n' != (**p)) && ('/0' != (**p)))
{
(*p)++;
(*count)++;
}
if(('/n' != (**p)) && '/0' != (**p))
{
*p = *p + 3;
(*count) = (*count) + 3;
return *p;
}
else
return NULL;
}
//判断是否满足**** href
char * judge_href(char **p, int * count)
{
while(' ' == **p)
{
(*p)++;
(*count)++;
}
if(0 == my_strncmp(*p, "href", 4))
{
*p = *p + 4;
(*count) = (*count) + 3;
return *p;
}
else
{
return NULL;
}
}
//判断是否满足*** =
char * judge_equal_mark(char **p, int * count)
{
while(' ' == **p)
{
(*p)++;
(*count)++;
}
if('=' == **p)
{
return (*p) + 1;
}
else
{
return NULL;
}
}
//判断是否满足** ["] ['] http
char * judge_http(char **p, int *count)
{
while((' ' == **p) || ('/"' == **p) || ('/'' == **p))
{
(*p)++;
(*count)++;
}
if('h' == **p)
{
return *p;
}
else
{
return NULL;
}
}
//创建结点
PNODE create_node(void)
{
PNODE new;
new = malloc(sizeof(NODE));
if(NULL == new)
{
printf("error:/n");
exit(0);
}
return new;
}
//创建结点数据域空间
char * create_node_data(int *count)
{
char * data;
data = malloc(*count * sizeof(char));
return data;
}
//每次插入到最后一个位置
PNODE insert_list(PNODE tmp, PNODE new)
{
tmp->next = new;
new->next = NULL;
tmp = new;
return tmp;
}
//处理网址结束位置
char * judge_end(char **p, int *count)
{
int i = 0;
PNODE new;
if(NULL != *p)
{
while((**p != '/"') && (**p != '/'') && (**p != '>') && (**p != '/0') && (**p != ' '))
{
link_temp[i++] = **p;
(*p)++;
(*count)++;
}
link_temp[i] = '/n';
*count = *count + 1;
}
return link_temp;
}
//保存至链表
PNODE save_to_list(PNODE temp, char link_temp[], int * count)
{
PNODE new;
if(NULL != link_temp)
{
new = create_node();
new->data = create_node_data(count);
strcpy(new->data, link_temp);
memset(link_temp, 0, strlen(link_temp));
temp = insert_list(temp, new);
}
return temp;
}
//功能：生成网址
void link(char *p, int * count)
{
char * ret;
ret = judge_mark_a(&p, count);
if(NULL != ret)
{
ret = judge_href(&ret, count);
}
if(NULL != ret)
{
ret = judge_equal_mark(&ret, count);
}
if(NULL != ret)
{
ret = judge_http(&ret, count);
}
if(NULL != ret)
{
ret = judge_end(&ret, count);
}
return;
}
//打印网址
void printf_link(PNODE head)
{
head = head->next;
while(NULL != head)
{
printf("%s", head->data);
head = head->next;
}
return;
}
//把文件的所有内容读取为一个字符串，即：把全部内容读到一个字符串中
void read_file(FILE *fp, int * pos)
{
if((fp = fopen("link.html", "r")) == NULL)
{
perror("link.html");
exit(0);
}
memset(buf, 0, N);
fseek(fp, *pos, 0);
fread(buf, 1024, 1, fp);
fclose(fp);
return;
}
//从读取的1024个字节获取一行内容，不管这一行有什么内容，只要是这一行的内容，都要获取到str[]中
void get_string_from_1024(char *p, int * pos)
{
int i = 0;
int len = 0;
char * tmp;
memset(str, 0, strlen(str));
while('/n' != *p)
{
str[i++] = *p;
p++;
}
return;
}
//从所有文件中获取合法链接，并连续的存入到链表（一个结点存放一个合法网址）
void get_every_link(FILE *fp, PNODE temp, int *pos, int * count)
{
int i = 0;
int len = 0;
char t[N] = {0};
char * tmp;
char * link_legal;
tmp = t;
*tmp = 'a'; //随意给定一个非'/0'字符，使得第一次可以进入循环
while('/0' != *tmp)
{
*count = 0;
memset(tmp, 0, strlen(tmp));
read_file(fp, pos); //对所有文件读取1024个字节，放到buf中
get_string_from_1024(buf, pos); //对刚才读取的1024个字节进行处理，即：把第一个/n前的值存入str中
link(str, count); //得到合法网址，并存到全局变量link_temp中
len = *count + 1;
*pos = *pos + len; //确定下次读文件开始的位置
tmp = buf + *count + 1; //用tmp判断是否读到文件结尾
temp = save_to_list(temp, link_temp, count); //把合法网址报存到链表结点中
}
return;
}
int main(int argc, char* argv[])
{
FILE *fp;
int count = 0;
int pos = 0;
PNODE head, temp;
temp = create_node();
temp->next = NULL;
head = temp;
get_every_link(fp, temp, &pos, &count); //循环读文件，得到每一个合法的网址
printf_link(head); //输出网址，直接打印链表即可，因为把合法链接连续的存入到了链表
return 0;
}
(sunsea1026) |
