|
|
用了兩天php的Snoopy這個(gè)類，發(fā)現(xiàn)很好用。獲取請求網(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://www.jb51.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（或是逐行讀取），然后使用臨時(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)，一次讀取不可取（逐行讀取，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…
php技術(shù)：PHP采集類Snoopy抓取圖片實(shí)例，轉(zhuǎn)載需保留來源！
鄭重聲明：本文版權(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如作者信息標(biāo)記有誤，請第一時(shí)間聯(lián)系我們修改或刪除，多謝。
