PHP采集类Snoopy抓取图片实例
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
include 'snoopy/snoopy.class.php';
$snoopy = new snoopy();
$sourceurl = "//www.jb51.net";
$snoopy->fetchlinks($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。
//匹配图片的正则表达式
$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）
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。
<meta http-equiv='content-type' content='text/html;charset=utf-8'>
<?php
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
$retag = "/<img[^s]+src="(http://[^"]+).(jpg|png|gif|jpeg)"[^/]*/>/i";
if (preg_match($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."<br/>";
$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($imgsavepath);
echo "<p style='color:#f00;'>文件".$imgsavepath."已存在，将被删除</p>";
}
$imgfile = file_get_contents($url);
$flag = file_put_contents($imgsavepath, $imgfile);
if ($flag) {
echo "<p>文件".$imgsavepath."保存成功</p>";
}
}
?>
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：
<?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…