快捷導(dǎo)航

PHP采集類Snoopy抓取圖片實(shí)例

更新時(shí)間：2014年06月19日 10:18:50 投稿：junjie

這篇文章主要介紹了PHP采集類Snoopy抓取圖片實(shí)例,Snoopy是一個(gè)強(qiáng)大的PHP采集類,可以用來開發(fā)一些采集程序和小偷程序,需要的朋友可以參考下

用了兩天php的Snoopy這個(gè)類，發(fā)現(xiàn)很好用。獲取請(qǐng)求網(wǎng)頁里面的所有鏈接，直接使用fetchlinks就可以，獲取所有文本信息使用fetchtext（其內(nèi)部還是使用正則表達(dá)式在進(jìn)行處理），還有其它較多的功能，如模擬提交表單等。

使用方法：

先下載Snoopy類，下載地址：http://sourceforge.net/projects/snoopy/
先實(shí)例化一個(gè)對(duì)象，然后調(diào)用相應(yīng)的方法即可獲取抓取的網(wǎng)頁信息

復(fù)制代碼代碼如下:

include 'snoopy/Snoopy.class.php';

$snoopy = new Snoopy();

$sourceURL = "http://m.fzitv.net";

$snoopy->fetchlinks($sourceURL);

$a = $snoopy->results;

它并沒有提供獲取網(wǎng)頁中所有圖片地址的方法，自己有個(gè)需求是要獲取一個(gè)頁面中所有文章列表中圖片地址。然后自己就寫了一個(gè)，主要還是正則那里匹配重要。

復(fù)制代碼代碼如下:

//匹配圖片的正則表達(dá)式

 $reTag = "/<img[^s]+src="(http://[^"]+).(jpg|png|gif|jpeg)"[^/]*/>/i";

因?yàn)樾枨蟊容^特殊，只需要抓取寫死htp://開頭的圖片（外站的圖片可能使得了防盜鏈，想先抓取到本地）

1.抓取指定網(wǎng)頁，并篩選出預(yù)期的所有文章地址；

2.循環(huán)抓取第一步中的文章地址，然后使用匹配圖片的正則表達(dá)式進(jìn)行匹配，獲取頁面中所有符合規(guī)則的圖片地址；

3.根據(jù)圖片后綴和ID（這里只有g(shù)if、jpg）保存圖片---如果此圖片文件存在，先將其刪除再保存。

復(fù)制代碼代碼如下:

<meta http-equiv='content-type' content='text/html;charset=utf-8'>

<?php

    include 'snoopy/Snoopy.class.php';

    $snoopy = new Snoopy();

    $sourceURL = "http://xxxxx";

    $snoopy->fetchlinks($sourceURL);

    $a = $snoopy->results;

    $re = "/d+.html$/";

    //過濾獲取指定的文件地址請(qǐng)求

    foreach ($a as $tmp) {

        if (preg_match($re, $tmp)) {

            getImgURL($tmp);

        }

    }

    function getImgURL($siteName) {

        $snoopy = new Snoopy();

        $snoopy->fetch($siteName);

        $fileContent = $snoopy->results;

        //匹配圖片的正則表達(dá)式

        $reTag = "/<img[^s]+src="(http://[^"]+).(jpg|png|gif|jpeg)"[^/]*/>/i";

        if (preg_match($reTag, $fileContent)) {

            $ret = preg_match_all($reTag, $fileContent, $matchResult);

            for ($i = 0, $len = count($matchResult[1]); $i < $len; ++$i) {

                saveImgURL($matchResult[1][$i], $matchResult[2][$i]);

            }

        }

    }

    function saveImgURL($name, $suffix) {

        $url = $name.".".$suffix;

        echo "請(qǐng)求的圖片地址：".$url."<br/>";

        $imgSavePath = "E:/xxx/style/images/";

        $imgId = preg_replace("/^.+/(d+)$/", "\1", $name);

        if ($suffix == "gif") {

            $imgSavePath .= "emotion";

        } else {

            $imgSavePath .= "topic";

        }

        $imgSavePath .= ("/".$imgId.".".$suffix);

        if (is_file($imgSavePath)) {

            unlink($imgSavePath);

            echo "<p style='color:#f00;'>文件".$imgSavePath."已存在，將被刪除</p>";

        }

        $imgFile = file_get_contents($url);

        $flag = file_put_contents($imgSavePath, $imgFile);

        if ($flag) {

            echo "<p>文件".$imgSavePath."保存成功</p>";

        }

    }

?>

在使用php抓取網(wǎng)頁：內(nèi)容、圖片、鏈接的時(shí)候，我覺得最重要的還是正則(根據(jù)抓取的內(nèi)容和指定的規(guī)則獲取想要的數(shù)據(jù))，思路其實(shí)都比較簡單，用到的方法也并不多，也就那幾個(gè)（而且抓取內(nèi)容還是直接調(diào)用別人寫好的類中的方法就可以了）

但之前想過的是php似乎并沒有實(shí)現(xiàn)如下的方法，比如一個(gè)文件中有N行(N很大)，需要將其中符合規(guī)則的行內(nèi)容進(jìn)行替換，如第3行是aaa需要轉(zhuǎn)成bbbbb。一般的需要修改文件時(shí)的常見做法：

1.一次讀取整個(gè)文件（或是逐行讀?。缓笫褂门R時(shí)文件進(jìn)行保存最終轉(zhuǎn)換后的結(jié)果，再替換原始文件

2.逐行讀取，使用fseek控制文件指針的位置，然后fwrite寫入

方案1在文件較大時(shí)，一次讀取不可?。ㄖ鹦凶x取，然后寫入臨時(shí)文件再替換原始文件效率感覺也不高），方案2則在被替換的字符串長度小于等于目標(biāo)值時(shí)沒問題，但超過了則會(huì)有問題，它會(huì)“越界”，將下一行的數(shù)據(jù)也打亂了（不能像JavaScript中有“選區(qū)”的概念，使用新的內(nèi)容進(jìn)行替換）。

下面是使用方案2做試驗(yàn)的代碼：

復(fù)制代碼代碼如下:

<?php

$mode = "r+";

$filename = "d:/file.txt";

$fp = fopen($filename, $mode);

if ($fp) {

 $i = 1;

 while (!feof($fp)) {

    $str = fgets($fp);

    echo $str;

    if ($i == 1) {

      $len = strlen($str);

      fseek($fp, -$len, SEEK_CUR);//指針向前移動(dòng)

      fwrite($fp, "123");

    }

    i++;

  }

  fclose($fp);

}

?>

先讀取一行，此時(shí)文件指針其實(shí)是指到下一行開頭，使用fseek將文件指針回移到上一行起始位置，然后使用fwrite進(jìn)行替換操作，正因?yàn)槭翘鎿Q操作，在不指定長度的情況下，它把影響到下一行的數(shù)據(jù)，而我想要的是只想針對(duì)這一行進(jìn)行操作，例如刪除這一行或是整行只替換為一個(gè)1，上面的例子達(dá)不到要求，或許是我還沒有找到合適的方法…

您可能感興趣的文章: