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面向对象编程快速入门
Oct 09 PHP
社区(php&amp;&amp;mysql)五
Oct 09 PHP
php FLEA中二叉树数组的遍历输出
Sep 26 PHP
PHP用strstr()函数阻止垃圾评论(通过判断a标记)
Sep 28 PHP
PHP中VC6、VC9、TS、NTS版本的区别与用法详解
Oct 26 PHP
PHP中array_slice函数用法实例详解
Nov 25 PHP
PHP制作万年历
Jan 07 PHP
php+ajax无刷新上传图片实例代码
Nov 17 PHP
PHP实现批量上传单个文件
Dec 29 PHP
Thinkphp3.2.3分页使用实例解析
Jul 28 PHP
PHP+JS实现的商品秒杀倒计时用法示例
Nov 15 PHP
php写入txt乱码的解决方法
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
PHP文件锁函数flock()详细介绍
2014/11/18 PHP
THINKPHP截取中文字符串函数实例代码
2017/03/20 PHP
在云虚拟主机部署thinkphp5项目的步骤详解
2017/12/21 PHP
PHP设计模式之装饰器(装饰者)模式(Decorator)入门与应用详解
2019/12/13 PHP
PHP函数用法详解【初始化、嵌套、内置函数等】
2020/06/02 PHP
jquery 可排列的表实现代码
2009/11/13 Javascript
js使下拉列表框可编辑不止是选择
2013/12/12 Javascript
node.js使用nodemailer发送邮件实例
2014/03/10 Javascript
常见的原始JS选择器使用方法总结
2014/04/09 Javascript
JS实现一个按钮的方法
2015/02/05 Javascript
jQuery给动态添加的元素绑定事件的方法
2015/03/09 Javascript
JavaScript原生xmlHttp与jquery的ajax方法json数据格式实例
2015/12/04 Javascript
jQuery Mobile中的button按钮组件基础使用教程
2016/05/23 Javascript
VUE2实现事件驱动弹窗示例
2017/10/21 Javascript
使用ngrok+express解决本地环境中微信接口调试问题
2018/02/26 Javascript
Vue中&quot;This dependency was not found&quot;问题的解决方法
2018/06/19 Javascript
webpack4 + react 搭建多页面应用示例
2018/08/03 Javascript
使用Sonarqube扫描Javascript代码的示例
2018/12/26 Javascript
[01:30:55]VG vs Mineski Supermajor 败者组 BO3 第三场 6.6
2018/06/07 DOTA
python实现中文分词FMM算法实例
2015/07/10 Python
python 数据清洗之数据合并、转换、过滤、排序
2017/02/12 Python
Python学习笔记之解析json的方法分析
2017/04/21 Python
用于业余项目的8个优秀Python库
2018/09/21 Python
Django 实现图片上传和显示过程详解
2019/07/18 Python
python实现网站用户名密码自动登录功能
2019/08/09 Python
python3多线程知识点总结
2019/09/26 Python
利用pytorch实现对CIFAR-10数据集的分类
2020/01/14 Python
解决TensorFlow模型恢复报错的问题
2020/02/06 Python
Python 剪绳子的多种思路实现(动态规划和贪心)
2020/02/24 Python
使用HTML5拍照示例代码
2013/08/06 HTML / CSS
什么是数据抽象
2016/11/26 面试题
小学岗位竞聘方案
2014/01/22 职场文书
清洁员岗位职责
2015/02/15 职场文书
2016大学生暑期社会实践心得体会
2016/01/14 职场文书
PHP实现考试倒计时功能代码
2021/04/16 PHP
vue代码分块和懒加载非必要资源文件
2022/04/11 Vue.js