PHP采集类

PHP代码

<?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( !emptyempty( $templ[1][0] ) && !emptyempty( $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;
                                                        }
     }
function GetListExtend ( $list )
     {
                                                        $list=str_replace("\"","",$list);
                                                        $list=str_replace("'","",$list);
                                                        $list=str_replace("=","",$list);
      for ( $i = 0; $i <count( $list ); $i++ )
      {
       //content
       $temp_link=$this->cut($list[$i],"href"," ");
                                                                          echo $temp_link."<br>";
       //title
       if(eregi(">",$list[$i])){
         $temp_title=substr(strrchr($list[$i], ">"), 1 );
         $temp_title=preg_replace( "@\<(.*?)\>@is","",$temp_title);
         $temp_title=str_replace( ">","",$temp_title);
         $temp_title=str_replace( "<","",$temp_title);
         if(!$temp_title)   $temp_title=$list[$i] ;
          $temp_title=preg_replace( "@\<(.*?)\>@is","",$temp_title);
          $temp_title=str_replace( ">","",$temp_title);
          $temp_title=str_replace( "<","",$temp_title);
           echo $temp_title."<br>";
                                                                          }else{
        $temp_title=$list[$i];
        $temp_title=preg_replace( "@\<(.*?)\>@is","",$temp_title);
         $temp_title=str_replace( ">","",$temp_title);
         $temp_title=str_replace( "<","",$temp_title);
         echo $temp_title."<br>";
                                                                          }

//获取的数据正确
       if( !emptyempty( $temp_link ) && !emptyempty( $temp_title) )
       {
        if( 0 == strpos( $tempc[2][0], "/" ) )
        {
         preg_match( "@http://(.*?)/@i", $this->URL, $url );
         $temp_link = substr( $url[0], 0, strlen( $url[0] ) - 1 ) . $temp_link;
        }
        $listContent[$i][0] = trim($temp_title);
        $listContent[$i][1] = $temp_link;
       }
                                                        }
      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( !emptyempty( $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;
     }
    }
    ?>