PHP采集类Snoopy抓取图片实例


Posted in PHP onJune 19, 2014

用了两天php的Snoopy这个类,发现很好用。获取请求网页里面的所有链接,直接使用fetchlinks就可以,获取所有文本信息使用fetchtext(其内部还是使用正则表达式在进行处理),还有其它较多的功能,如模拟提交表单等。

使用方法:

先下载Snoopy类,下载地址:http://sourceforge.net/projects/snoopy/
先实例化一个对象,然后调用相应的方法即可获取抓取的网页信息

include 'snoopy/Snoopy.class.php';

    

$snoopy = new Snoopy();

    

$sourceURL = "https://3water.com";

$snoopy->fetchlinks($sourceURL);

    

$a = $snoopy->results;

它并没有提供获取网页中所有图片地址的方法,自己有个需求是要获取一个页面中所有文章列表中图片地址。然后自己就写了一个,主要还是正则那里匹配重要。

//匹配图片的正则表达式

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

因为需求比较特殊,只需要抓取写死htp://开头的图片(外站的图片可能使得了防盗链,想先抓取到本地)

1.抓取指定网页,并筛选出预期的所有文章地址;

2.循环抓取第一步中的文章地址,然后使用匹配图片的正则表达式进行匹配,获取页面中所有符合规则的图片地址;

3.根据图片后缀和ID(这里只有gif、jpg)保存图片---如果此图片文件存在,先将其删除再保存。

<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;

    $re = "/d+.html$/";

    

    //过滤获取指定的文件地址请求

    foreach ($a as $tmp) {

        if (preg_match($re, $tmp)) {

            getImgURL($tmp);

        }

    }

    

    function getImgURL($siteName) {

        $snoopy = new Snoopy();

        $snoopy->fetch($siteName);

        

        $fileContent = $snoopy->results;

        

        //匹配图片的正则表达式

        $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 "请求的图片地址:".$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,将被删除</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抓取网页:内容、图片、链接的时候,我觉得最重要的还是正则(根据抓取的内容和指定的规则获取想要的数据),思路其实都比较简单,用到的方法也并不多,也就那几个(而且抓取内容还是直接调用别人写好的类中的方法就可以了)

但之前想过的是php似乎并没有实现如下的方法,比如一个文件中有N行(N很大),需要将其中符合规则的行内容进行替换,如第3行是aaa需要转成bbbbb。一般的需要修改文件时的常见做法:

1.一次读取整个文件(或是逐行读取),然后使用临时文件进行保存最终转换后的结果,再替换原始文件

2.逐行读取,使用fseek控制文件指针的位置,然后fwrite写入

方案1在文件较大时,一次读取不可取(逐行读取,然后写入临时文件再替换原始文件效率感觉也不高),方案2则在被替换的字符串长度小于等于目标值时没问题,但超过了则会有问题,它会“越界”,将下一行的数据也打乱了(不能像JavaScript中有“选区”的概念,使用新的内容进行替换)。

下面是使用方案2做试验的代码:

<?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);//指针向前移动

      fwrite($fp, "123");

    }

    i++;

  }

  fclose($fp);

}

?>

先读取一行,此时文件指针其实是指到下一行开头,使用fseek将文件指针回移到上一行起始位置,然后使用fwrite进行替换操作,正因为是替换操作,在不指定长度的情况下,它把影响到下一行的数据,而我想要的是只想针对这一行进行操作,例如删除这一行或是整行只替换为一个1,上面的例子达不到要求,或许是我还没有找到合适的方法…

PHP 相关文章推荐
PHP脚本的10个技巧(2)
Oct 09 PHP
php win下Socket方式发邮件类
Aug 21 PHP
Ha0k 0.3 PHP 网页木马修改版
Oct 11 PHP
Ping服务的php实现方法,让网站快速被收录
Feb 04 PHP
利用PHP+JS实现搜索自动提示(实例)
Jun 09 PHP
Codeigniter的dom类用法实例
Jun 26 PHP
基于ThinkPHP+uploadify+upload+PHPExcel 无刷新导入数据
Sep 23 PHP
php简单备份与还原MySql的方法
May 09 PHP
php简单读取.vcf格式文件的方法示例
Sep 02 PHP
php封装db类连接sqlite3数据库的方法实例
Dec 19 PHP
基于php中echo用逗号和用点号的区别详解
Jan 23 PHP
深入浅析安装PhpStorm并激活的步骤详解
Sep 17 PHP
PHP基于GD库的缩略图生成代码(支持jpg,gif,png格式)
Jun 19 #PHP
PHP mkdir()无写权限的问题解决方法
Jun 19 #PHP
PHP获取文件的MD5值并判断是否被修改的例子
Jun 19 #PHP
PHP中strlen()和mb_strlen()的区别浅析
Jun 19 #PHP
php对包含html标签的字符串进行截取的函数分享
Jun 19 #PHP
php解决抢购秒杀抽奖等大流量并发入库导致的库存负数的问题
Jun 19 #PHP
PHP base64编码后解码乱码的解决办法
Jun 19 #PHP
You might like
如何限制访问者的ip(PHPBB的代码)
2006/10/09 PHP
apache2.2.4+mysql5.0.77+php5.2.8安装精简
2009/04/29 PHP
php中stream(流)的用法
2014/03/25 PHP
thinkPHP5.0框架简单配置作用域的方法
2017/03/17 PHP
语义化 H1 标签
2008/01/14 Javascript
js wmp操作代码小结(音乐连播功能)
2008/11/08 Javascript
让你的博客飘雪花超出屏幕依然看得见
2013/01/04 Javascript
纯javascript判断查询日期是否为有效日期
2015/08/24 Javascript
JavaScript实现算术平方根算法-代码超简单
2015/09/11 Javascript
Nodejs中 npm常用命令详解
2016/07/04 NodeJs
JS实现超简单的汉字转拼音功能示例
2016/12/22 Javascript
vue 国际化 vue-i18n 双语言 语言包
2018/06/07 Javascript
vue 基于element-ui 分页组件封装的实例代码
2018/12/10 Javascript
vscode下vue项目中eslint的使用方法
2019/01/13 Javascript
深入学习TypeScript 、React、 Redux和Ant-Design的最佳实践
2019/06/17 Javascript
微信小程序 select 下拉框组件功能
2019/09/09 Javascript
关于vue项目中搜索节流的实现代码
2019/09/17 Javascript
基于JavaScript实现十五拼图代码实例
2020/04/26 Javascript
k8s node节点重新加入master集群的实现
2021/02/22 Javascript
Python星号*与**用法分析
2018/02/02 Python
Django配置celery(非djcelery)执行异步任务和定时任务
2018/07/16 Python
python爬虫刷访问量 2019 7月
2019/08/01 Python
Python获取一个用户名的组ID过程解析
2019/09/03 Python
pytorch模型预测结果与ndarray互转方式
2020/01/15 Python
从多个tfrecord文件中无限读取文件的例子
2020/02/17 Python
用HTML5制作一个简单的桌球游戏的教程
2015/05/12 HTML / CSS
拉斯维加斯城市观光通行证:Las Vegas Pass
2019/05/21 全球购物
Math.round(11.5)等於多少? Math.round(-11.5)等於多少?
2015/01/27 面试题
信息技术专业大学生个人的自我评价
2013/10/05 职场文书
高中生学习生活的自我评价
2013/11/27 职场文书
银行职员个人的工作自我评价
2014/02/15 职场文书
正科级干部考察材料
2014/05/29 职场文书
幼儿园师德师风心得体会
2016/01/12 职场文书
八年级作文之感悟亲情
2019/11/20 职场文书
python 命令行传参方法总结
2021/05/25 Python
Java反应式框架Reactor中的Mono和Flux
2021/07/25 Java/Android