这篇文章主要介绍了php的Snoopy类案例讲解,本篇文章通过简要的案例,讲解了该项技术的了解与使用,以下就是详细内容,需要的朋友可以参考下。

php的Snoopy类

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：

1、先下载Snoopy类，下载地址：http://sourceforge.net/projects/snoopy/

2、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

示例：

1. include 'snoopy/Snoopy.class.php'; 
2. $snoopy = new Snoopy();  
3. $sourceURL = "http://xxxxxxxxx"; 
4. $snoopy->fetchlinks($sourceURL); 
5. $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。

1. //匹配图片的正则表达式 
2.  $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）

实现思路：

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

1. <meta http-equiv='content-type' content='text/html;charset=utf-8'> 
2.  
3. <?php 
4.     include 'snoopy/Snoopy.class.php'; 
5.       
6.     $snoopy = new Snoopy(); 
7.       
8.     $sourceURL = "http://xxxxx"; 
9.     $snoopy->fetchlinks($sourceURL); 
10.       
11.     $a = $snoopy->results; 
12.     $re = "/\d+\.html$/"; 
13.       
14.     //过滤获取指定的文件地址请求 
15.     foreach ($a as $tmp) { 
16.         if (preg_match($re, $tmp)) { 
17.             getImgURL($tmp); 
18.         } 
19.     } 
20.       
21.     function getImgURL($siteName) { 
22.         $snoopy = new Snoopy(); 
23.         $snoopy->fetch($siteName); 
24.           
25.         $fileContent = $snoopy->results; 
26.           
27.         //匹配图片的正则表达式 
28.         $reTag = "/<img[^s]+src=\"(http:\/\/[^\"]+).(jpg|png|gif|jpeg)\"[^\/]*\/>/i"; 
29.           
30.         if (preg_match($reTag, $fileContent)) { 
31.             $ret = preg_match_all($reTag, $fileContent, $matchResult); 
32.               
33.             for ($i = 0, $len = count($matchResult[1]); $i < $len; ++$i) { 
34.                 saveImgURL($matchResult[1][$i], $matchResult[2][$i]); 
35.             } 
36.         } 
37.     } 
38.       
39.     function saveImgURL($name, $suffix) { 
40.         $url = $name.".".$suffix; 
41.           
42.         echo "请求的图片地址：".$url."<br/>"; 
43.           
44.         $imgSavePath = "E:/xxx/style/images/"; 
45.         $imgId = preg_replace("/^.+\/(\d+)$/", "\\1", $name); 
46.         if ($suffix == "gif") { 
47.             $imgSavePath .= "emotion"; 
48.         } else { 
49.             $imgSavePath .= "topic"; 
50.         } 
51.         $imgSavePath .= ("/".$imgId.".".$suffix); 
52.           
53.         if (is_file($imgSavePath)) { 
54.             unlink($imgSavePath); 
55.             echo "<p style='color:#f00;'>文件".$imgSavePath."已存在，将被删除</p>"; 
56.         } 
57.           
58.         $imgFile = file_get_contents($url); 
59.         $flag = file_put_contents($imgSavePath, $imgFile); 
60.           
61.         if ($flag) { 
62.             echo "<p>文件".$imgSavePath."保存成功</p>"; 
63.         } 
64.           
65.     } 
66. ?> 

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：

1. <?php 
2. $mode = "r+"; 
3. $filename = "d:/file.txt"; 
4. $fp = fopen($filename, $mode); 
5. if ($fp) { 
6.  $i = 1; 
7.  while (!feof($fp)) { 
8.   $str = fgets($fp); 
9.   echo $str; 
10.   if ($i == 1) { 
11.    $len = strlen($str); 
12.    fseek($fp, -$len, SEEK_CUR);//指针向前移动 
13.    fwrite($fp, "123"); 
14.   } 
15.   $i++; 
16.  } 
17.  fclose($fp); 
18. } 
19. ?> 

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… 你有好的方法吗？

Tags: Snoopy

分享到：