使用PHP的Snoopy类抓取图片
作者:admin 日期:2012-04-24
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
PHP代码
- include 'snoopy/Snoopy.class.php';
- $snoopy = new Snoopy();
- $sourceURL = "http://xxxxxxxxx";
- $snoopy->fetchlinks($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。
PHP代码
- //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）
- 抓取指定网页，并筛选出预期的所有文章地址；
- 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；
- 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。
PHP代码
- <?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：
- 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
- 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）。
PHP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…
上一篇: 
下一篇: 
文章来自: 
引用通告: 
Tags: 
相关日志:
评论: 0 | 引用: 0 | 查看次数: 5052
发表评论
广告位
