抓取网页内容类
- WBOYOriginal
- 2016-06-21 09:05:18892browse
网页
class Thief{
// 需要得到数据的网址
var $URL;
// 需要分析的开始标记
var $startFlag;
//需要分析的结束标记
var $endFlag;
//存储图片的路径
var $saveImagePath;
//访问图片的路径
var $imageURL;
// 列表内容
var $ListContent;
//需要获得的图片路径
var $ImageList;
//存储的图片名称
var $FileName;
/**
* 得到页面内容
* @return String 列表页面内容
*/
function getPageContent ()
{
$pageContent = @file_get_contents( $this->URL );
return $pageContent;
}
/**
* 根据标记得到列表段
* @param $content 页面源数据
* @return String 列表段内容
*/
function getContentPiece ( $content )
{
$content = $this->getContent( $content, $this->startFlag, $this->endFlag );
if(!$content) $content=$this->cut ($content, $this->startFlag, $this->endFlag );
return $content;
}
/**
* 得到一个字符串中的某一部分
* @param $sourceStr 源数据
* @param $startStr 分离部分的开始标记
* @param $endStart 分离部分的结束标记
* @return boolean 操作成功返回true
*/
function getContent ( $sourceStr, $startStr, $endStart )
{
$s = preg_quote( decode( $startStr ) );
$e = preg_quote( decode( $endStart ) );
$s = str_replace( " ", "[[:space:]]", $s );
$e = str_replace( " ", "[[:space:]]", $e );
$s = str_replace( "\r\n", "[[:cntrl:]]", $s );
$e = str_replace( "\r\n", "[[:cntrl:]]", $e );
preg_match_all( "@" . $s . "(.*?)". $e ."@is", $sourceStr, $tpl );
$content = $tpl[1];
$content = implode( "", $content );
return $content;
}
function cut ( $sourceStr, $startStr, $endStr )
{
return cut( $sourceStr ,decode( $startStr ) ,decode( $endStr) );
}
/**
* 得到只含有连接和内容的列表数组
* @param $sList 页面列表源数据
* @return array 列表段内容
*/
function getSourceList ( $sList )
{
preg_match_all( "//i", $sList, $list );
$list = $list[0];
//foreach($list as $l) echo $l;
if(!$list || !is_array($list)){
return $this->getSourceListExtend($sList);
}else{
return $this->getList ( $list );
}
}
function getSourceListExtend($sList)
{
$content=explode("",$sList);
for($i=0;$i
$lists=explode(" $list[]=$lists[1];
}
return $this->GetListExtend( $list );
}
/**
* 得到列表内容
* @param $list 列表段内容
* @return array 含有标题和连接的数组
*/
function getList ( $list )
{
for ( $i = 0; $i {
//title
preg_match_all( "/>(.*?)/i", $list[$i], $templ );
//content
preg_match_all( "/href=(\"|'|)(.*?)(\"|'|)/i", $list[$i], $tempc );
//获取的数据正确
if( !empty( $templ[1][0] ) && !empty( $tempc[2][0] ) )
{
if( 0 == strpos( $tempc[2][0], "/" ) )
{
preg_match( "@http://(.*?)/@i", $this->URL, $url );
$tempc[2][0] = substr( $url[0], 0, strlen( $url[0] ) - 1 ) . $tempc[2][0];
}
$listContent[$i][0] = $templ[1][0];
$listContent[$i][1] = $tempc[2][0];
}
}
if(!$listContent || !is_array($listContent)){
return $this->GetListExtend ( $list );
}else{
return $listContent;
}
}
function GetListExtend ( $list )
{
$list=str_replace("\"","",$list);
$list=str_replace("'","",$list);
$list=str_replace("=","",$list);
for ( $i = 0; $i
//content
$temp_link=$this->cut($list[$i],"href"," ");
echo $temp_link."
";
//title
if(eregi(">",$list[$i])){
$temp_title=substr(strrchr($list[$i], ">"), 1 );
$temp_title=preg_replace( "@\@is","",$temp_title);
$temp_title=str_replace( ">","",$temp_title);
$temp_title=str_replace( " if(!$temp_title) $temp_title=$list[$i] ;
$temp_title=preg_replace( "@\@is","",$temp_title);
$temp_title=str_replace( ">","",$temp_title);
$temp_title=str_replace( " echo $temp_title."
";
}else{
$temp_title=$list[$i];
$temp_title=preg_replace( "@\@is","",$temp_title);
$temp_title=str_replace( ">","",$temp_title);
$temp_title=str_replace( " echo $temp_title."
";
}
//获取的数据正确
if( !empty( $temp_link ) && !empty( $temp_title) )
{
if( 0 == strpos( $tempc[2][0], "/" ) )
{
preg_match( "@http://(.*?)/@i", $this->URL, $url );
$temp_link = substr( $url[0], 0, strlen( $url[0] ) - 1 ) . $temp_link;
}
$listContent[$i][0] = trim($temp_title);
$listContent[$i][1] = $temp_link;
}
}
return $listContent;
}
/**
* 得到正文中的图片路径信息
* @param $content 正文信息
* @return array 信息中图片路径的数组
*/
function getImageList ( $content )
{
preg_match_all( "/src=(\"|')(.*?)(\"|')/i", $content, $temp );
$imageList = $temp[2];
return array_unique($imageList);
}
/**
* 下载图片时将页面中的路径替换成新的路径
* @param $content 需要替换路径的页面内容
* @return String 替换后的页面内容
*/
function replaceImageParh ( $content )
{
for ( $i = 0; $i ImageList ); $i++ )
{
if($this->FileName[$i]){
$content = str_replace( $this->ImageList[$i], $this->imageURL.$this->FileName[$i], $content );
}else{
//$s=" /src=(\\\"|')".preg_quote($this->ImageList[$i])."(\\\"|')/i";
$content = str_replace($this->ImageList[$i], $GLOBALS[SET][webpath]."images/nopic.gif", $content );
}
}
return $content;
}
/**
* 下载图片时读取图片文件后存储在相应路径
* @param $imageURL 需要读取的图片文件
* @return boolean 操作成功返回true
*/
function saveImage ( $imageURL )
{
for ( $i = 0; $i {
$fName = $this->saveFile( $imageURL[$i] );
if( !empty( $fName ) )
{
$filename[$i] = $fName;
}
}
return $filename;
}
function saveFile( $fileName )
{
$s_filename = basename( $fileName );
$ext_name = strtolower( strrchr( $s_filename, "." ) );
if( ( ".jpg" && ".gif" && ".swf" ) != strtolower( $ext_name ) )
{
return "";
}
if( 0 == strpos( $fileName, "/" ) )
{
preg_match( "@http://(.*?)/@i", $this->URL, $url );
$url = $url[0];
}
if( 0 == strpos( $fileName, "." ) )
{
$url = substr( $this->URL, 0, strrpos( $fileName, "/" ) );
}
$contents = @file_get_contents( $url . $fileName );
$s_filename = time(). rand( 1000, 9999 ) . $ext_name;
//file_put_contents( $this->saveImagePath.$s_filename, $contents );
$handle = @fopen ( $this->saveImagePath.$s_filename, "w" );
@fwrite( $handle, $contents );
@fclose($handle);
if(filesize($this->saveImagePath.$s_filename)>3072){
return $s_filename;
}else{
@unlink($this->saveImagePath.$s_filename);
return "";
}
}
/**
* 不下载图片则格式化其路径为绝对路径
* 不能格式化变态路径 Eg: ./../ or /./../ 一类的 不过不影响结果
* @param $imageURL 需要读取的图片文件
* @return $filename 返回格式化的图片路径
*/
function ToPath($imageURL)
{
$PathArray=parse_url($this->URL);
$webpath=$PathArray[scheme]."://".$PathArray[host] ;
$filepath=$PathArray[path] ;
for ( $i = 0; $i {
if( substr( $imageURL[$i] ,0,1 )== '/' ){
$filename[$i] =$webpath.$imageURL[$i];
}elseif( substr( $imageURL[$i] ,0,2 )== './' ){
$filename[$i] =$webpath.$filepath.substr( $imageURL[$i] ,1, strlen( $imageURL[$i]) );
}elseif( substr( $imageURL[$i] ,0,3 )== '../' ){
$index=strrchr($filepath,"/");
$filename[$i] =$webpath.substr($filepath,0,$index).substr($imageURL[$i] ,2, strlen( $imageURL[$i]));
}elseif(substr( $imageURL[$i] ,0,4)== 'http'){
$filename[$i] =$imageURL[$i] ;
}else{
}
}
return $filename;
}
/**
* 不下载图片时将页面中的路径替换成新的路径
* @param $content 需要替换路径的页面内容
* @return String 替换后的页面内容
*/
function ImgPathReplace( $content )
{
for ( $i = 0; $i ImageList ); $i++ )
{
$content = str_replace( $this->ImageList[$i], $this->FileName[$i], $content );
}
return $content;
}
function setURL ( $u )
{
$this->URL = $u;
return true;
}
function setStartFlag ( $s )
{
$this->startFlag = $s;
return true;
}
function setEndFlag ( $e )
{
$this->endFlag = $e;
return true;
}
function setSaveImagePath ( $p )
{
$this->saveImagePath = $p;
return true;
}
function setImageURL ( $i )
{
$this->imageURL = $i;
return true;
}
}
?>