抓取网页内容类

2024-05-04 23:00:14

字体：大中小

来源：转载

供稿：网友

<?php
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( "/<a[[:space:]](.*?)<//a>/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)
                                   {
                                                  $content=explode("</a>",$slist);
                                                  for($i=0;$i<count($content)-1;$i++)
                                                  {
                                                           $lists=explode("<a",$content[$i]);
                                                           $list[]=$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 < count( $list ); $i++ )
   {
    //title
    preg_match_all( "/>(.*?)<//a>/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 < count( $this->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 < count( $imageurl ); $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 < count( $imageurl ); $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 < count( $this->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;
}

}