pythonturtle画图史努比_Snoopy(PHP采集类)抓取图片实例

Snoopy(PHP采集类)抓取图片实例

分类：PHP_Python| 发布：佚名| 查看： | 发表时间：2014/7/14

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

代码如下:include 'snoopy/Snoopy.class.php';

$snoopy = new Snoopy();

$sourceURL = "http://www.camnpr.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。

代码如下://匹配图片的正则表达式

 $reTag = "//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。

代码如下:

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 = "//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."
";

$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 "

文件".$imgSavePath."已存在，将被删除

";

}

$imgFile = file_get_contents($url);

$flag = file_put_contents($imgSavePath, $imgFile);

if ($flag) {

echo "

文件".$imgSavePath."保存成功

";

}

}

?>

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：

代码如下:<?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…