抓取网页内容类-php手册-php.cn

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;
                                                     }
}

}

/**
* 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;
}

}