使用Qt批量下载网页

Question

我想写一个程序使用Qt下载大量的HTML网页，大约5000，每天从一个网站。下载这些页面后，我需要使用DOM查询提取一些数据，使用WebKit模块，然后将这些数据存储在数据库中。

最好的/正确的/有效的方法是什么，尤其是下载和分析阶段？如何处理大量请求以及如何创建“下载管理器”？

Answer 1

要下载这些页面，使用像libcurl这样的专用库是有意义的

Answer 2

这个问题已经得到了回答，但这里有一个使用您要求的解决方案，即使用QT完成此操作。

你可以使用QT (特别是QNetworkManager，QNetworkRequests，QNetworkReply)制作一个(网站爬虫)。我不确定这是否是处理这类任务的正确方法，但我发现使用多线程可以最大限度地提高效率并节省时间。(请有人告诉我是否有其他方法/或确认这是否是好的做法)

概念是工作列表被排队，一个工作者将执行该工作，在接收到信息/html之后，对其进行处理，然后继续下一项。

类工作者对象类应该接受Url，处理并下载url的html数据，然后在接收到信息时对其进行处理。

为队列创建一个队列和管理器我创建了一个QQueue< QString> urlList来控制正在处理的并发项目的数量和要完成的任务列表。

    QQueue <String> workQueue; //First create somewhere a 
    int maxWorkers = 10;


    //Then create the workers
    void downloadNewArrivals::createWorkers(QString url){
checkNewArrivalWorker* worker = new checkNewArrivalWorker(url);
workQueue.enqueue(worker);
}

    //Make a function to control the amount of workers, 
    //and process the workers after they are finished

    void downloadNewArrivals::processWorkQueue(){
if (workQueue.isEmpty() && currentWorkers== 0){
    qDebug() << "Work Queue Empty" << endl;
} else if (!workQueue.isEmpty()){
    //Create the maxWorkers and start them in seperate threads
    for (int i = 0; i < currentWorkers && !workQueue.isEmpty(); i++){
        QThread* thread = new QThread;
        checkNewArrivalWorker* worker = workQueue.dequeue();
        worker->moveToThread(thread);
        connect(worker, SIGNAL(error(QString)), this, SLOT(errorString(QString)));
        connect(thread, SIGNAL(started()), worker, SLOT(process()));
        connect(worker, SIGNAL(finished()), thread, SLOT(quit()));
        connect(worker, SIGNAL(finished()), worker, SLOT(deleteLater()));
        connect(thread, SIGNAL(finished()), this, SLOT(reduceThreadCounterAndProcessNext()));
        connect(thread, SIGNAL(finished()), thread, SLOT(deleteLater()));
        thread->start();
        currentWorkers++;
    }
}
}

    //When finished, process the next worker
    void downloadNewArrivals::reduceThreadCounterAndProcessNext(){
currentWorkers--;  //This variable is to control amount of max workers

processWorkQueue();
    }


    //Now the worker
    //The worker class important parts..
    void checkNewArrivalWorker::getPages(QString url){
QNetworkAccessManager *manager = new QNetworkAccessManager(this);
QNetworkRequest getPageRequest = QNetworkRequest(url); //created on heap 
getPageRequest.setRawHeader( "User-Agent", "Mozilla/5.0 (X11; U; Linux i686 (x86_64); "
                           "en-US; rv:1.9.0.1) Gecko/2008070206 Firefox/3.0.1" );
getPageRequest.setRawHeader( "charset", "utf-8" );
getPageRequest.setRawHeader( "Connection", "keep-alive" );
connect(manager, SIGNAL(finished(QNetworkReply*)), this, SLOT(replyGetPagesFinished(QNetworkReply*)));
connect(manager, SIGNAL(finished(QNetworkReply*)), manager, SLOT(deleteLater()));
manager->get(getPageRequest);
}

    void checkNewArrivalWorker::replyGetPagesFinished(QNetworkReply *reply){
QString data = reply->readAll(); //Here data will hold your html to process as needed...
reply->deleteLater();
emit finished();


}

在获得信息之后，我只是处理了来自QString的信息，但我相信，一旦达到这个阶段，您就可以掌握如何使用DOM解析器。

我希望这是一个足够的例子来帮助你。