首页 > > 网络编程 > Mysql >

PHP实现远程抓取网站图片并保存在文件中

2019-07-24 09:01:25来源：编程学习网阅读 ()

这个功能类虽然是PHP原生的，但是也值得你去学习一下的。

递归抓取首页与子页面


	/**
   * 递归下载抓取首页及其子页面图片的方法 ( recursive 递归)
   *
   * @param  String $capture_url 用于抓取图片的网址
   *
   */   public function recursive_download_images($capture_url)   {
    if (!in_array($capture_url,self::$a_url_arr))  //没抓取过     {
      self::$a_url_arr[]=$capture_url;  //计入静态数组     } else  //抓取过,直接退出函数     {
      return;
    }
    $this->download_current_page_images($capture_url); //下载当前页面的所有图片     //用@屏蔽掉因为抓取地址无法读取导致的warning错误     [email protected]_get_contents($capture_url);
    //匹配a标签href属性中?之前部分的正则     $a_pattern = "|<a[^>]+href=['\" ]?([^ '\"?]+)['\" >]|U";
    preg_match_all($a_pattern, $content, $a_out, PREG_SET_ORDER);
    $tmp_arr=array(); //定义一个数组,用于存放当前循环下抓取图片的超链接地址     foreach ($a_out as $k => $v)
    {
      /**
       * 去除超链接中的 空'','#','/'和重复值
       * 1: 超链接地址的值 不能等于当前抓取页面的url, 否则会陷入死循环
       * 2: 超链接为''或'#','/'也是本页面,这样也会陷入死循环,
       * 3: 有时一个超连接地址在一个网页中会重复出现多次,如果不去除,会对一个子页面进行重复下载)
       */       if ( $v[1] && !in_array($v[1],self::$a_url_arr) &&!in_array($v[1],array('#','/',$capture_url) ) )
      {
        $tmp_arr[]=$v[1];
      }
    }
    foreach ($tmp_arr as $k => $v)
    {
      //超链接路径地址       if ( strpos($v, 'http://')!==false ) //如果url包含http://,可以直接访问       {
        $a_url = $v;
      }else  //否则证明是相对地址, 需要重新拼凑超链接的访问地址       {
        $domain_url = substr($capture_url, 0,strpos($capture_url, '/',8)+1);
        $a_url=$domain_url.$v;
      }
      $this->recursive_download_images($a_url);
    }
  }

下载当前的所有页面


	/**
   * 下载当前网页下的所有图片
   *
   * @param  String $capture_url 用于抓取图片的网页地址
   * @return Array  当前网页上所有图片img标签url地址的一个数组
   */   public function download_current_page_images($capture_url)   {
    [email protected]_get_contents($capture_url);  //屏蔽warning错误     //匹配img标签src属性中?之前部分的正则     $img_pattern = "|<img[^>]+src=['\" ]?([^ '\"?]+)['\" >]|U";
    preg_match_all($img_pattern, $content, $img_out, PREG_SET_ORDER);
    $photo_num = count($img_out);
    //匹配到的图片数量     echo '<h1>'.$capture_url . "共找到 " . $photo_num . " 张图片</h1>";
    foreach ($img_out as $k => $v)
    {
      $this->save_one_img($capture_url,$v[1]);
    }
  }

保存图片


	/**
   * 保存单个图片的方法
   *
   * @param String $capture_url  用于抓取图片的网页地址
   * @param String $img_url    需要保存的图片的url
   *
   */   public function save_one_img($capture_url,$img_url)   {
    //图片路径地址     if ( strpos($img_url, 'http://')!==false )
    {
      // $img_url = $img_url;     }else     {
      $domain_url = substr($capture_url, 0,strpos($capture_url, '/',8)+1);
      $img_url=$domain_url.$img_url;
    }
    $pathinfo = pathinfo($img_url);  //获取图片路径信息     $pic_name=$pathinfo['basename'];  //获取图片的名字     if (file_exists($this->save_path.$pic_name)) //如果图片存在,证明已经被抓取过,退出函数     {
      echo $img_url . '<span style="color:red;margin-left:80px">该图片已经抓取过!</span><br/>';
      return;
    }
    //将图片内容读入一个字符串     $img_data = @file_get_contents($img_url);  //屏蔽掉因为图片地址无法读取导致的warning错误     if ( strlen($img_data) > $this->img_size )  //下载size比限制大的图片     {
      $img_size = file_put_contents($this->save_path . $pic_name, $img_data);
      if ($img_size)
      {
        echo $img_url . '<span style="color:green;margin-left:80px">图片保存成功!</span><br/>';
      } else       {
        echo $img_url . '<span style="color:red;margin-left:80px">图片保存失败!</span><br/>';
      }
    } else     {
      echo $img_url . '<span style="color:red;margin-left:80px">图片读取失败!</span><br/>';
    }
  }
} // END

来看看一个完整的功能类，直接保存，引用就可以了


	<?php /**
 * 一个用于抓取图片的类
 *
 * @package default
 * @author WuJunwei
 */ class download_image {
  public $save_path;         //抓取图片的保存地址   //抓取图片的大小限制(单位:字节) 只抓比size比这个限制大的图片   public $img_size=0;
  //定义一个静态数组,用于记录曾经抓取过的的超链接地址,避免重复抓取   public static $a_url_arr=array();
  /**
   * @param String $save_path  抓取图片的保存地址
   * @param Int  $img_size   抓取图片的保存地址
   */   public function __construct($save_path,$img_size)   {
    $this->save_path=$save_path;
    $this->img_size=$img_size;
  }
  /**
   * 递归下载抓取首页及其子页面图片的方法 ( recursive 递归)
   *
   * @param  String $capture_url 用于抓取图片的网址
   *
   */   public function recursive_download_images($capture_url)   {
    if (!in_array($capture_url,self::$a_url_arr))  //没抓取过     {
      self::$a_url_arr[]=$capture_url;  //计入静态数组     } else  //抓取过,直接退出函数     {
      return;
    }
    $this->download_current_page_images($capture_url); //下载当前页面的所有图片     //用@屏蔽掉因为抓取地址无法读取导致的warning错误     [email protected]_get_contents($capture_url);
    //匹配a标签href属性中?之前部分的正则     $a_pattern = "|<a[^>]+href=['\" ]?([^ '\"?]+)['\" >]|U";
    preg_match_all($a_pattern, $content, $a_out, PREG_SET_ORDER);
    $tmp_arr=array(); //定义一个数组,用于存放当前循环下抓取图片的超链接地址     foreach ($a_out as $k => $v)
    {
      /**
       * 去除超链接中的 空'','#','/'和重复值
       * 1: 超链接地址的值 不能等于当前抓取页面的url, 否则会陷入死循环
       * 2: 超链接为''或'#','/'也是本页面,这样也会陷入死循环,
       * 3: 有时一个超连接地址在一个网页中会重复出现多次,如果不去除,会对一个子页面进行重复下载)
       */       if ( $v[1] && !in_array($v[1],self::$a_url_arr) &&!in_array($v[1],array('#','/',$capture_url) ) )
      {
        $tmp_arr[]=$v[1];
      }
    }
    foreach ($tmp_arr as $k => $v)
    {
      //超链接路径地址       if ( strpos($v, 'http://')!==false ) //如果url包含http://,可以直接访问       {
        $a_url = $v;
      }else  //否则证明是相对地址, 需要重新拼凑超链接的访问地址       {
        $domain_url = substr($capture_url, 0,strpos($capture_url, '/',8)+1);
        $a_url=$domain_url.$v;
      }
      $this->recursive_download_images($a_url);
    }
  }
  /**
   * 下载当前网页下的所有图片
   *
   * @param  String $capture_url 用于抓取图片的网页地址
   * @return Array  当前网页上所有图片img标签url地址的一个数组
   */   public function download_current_page_images($capture_url)   {
    [email protected]_get_contents($capture_url);  //屏蔽warning错误     //匹配img标签src属性中?之前部分的正则     $img_pattern = "|<img[^>]+src=['\" ]?([^ '\"?]+)['\" >]|U";
    preg_match_all($img_pattern, $content, $img_out, PREG_SET_ORDER);
    $photo_num = count($img_out);
    //匹配到的图片数量     echo '<h1>'.$capture_url . "共找到 " . $photo_num . " 张图片</h1>";
    foreach ($img_out as $k => $v)
    {
      $this->save_one_img($capture_url,$v[1]);
    }
  }
  /**
   * 保存单个图片的方法
   *
   * @param String $capture_url  用于抓取图片的网页地址
   * @param String $img_url    需要保存的图片的url
   *
   */   public function save_one_img($capture_url,$img_url)   {
    //图片路径地址     if ( strpos($img_url, 'http://')!==false )
    {
      // $img_url = $img_url;     }else     {
      $domain_url = substr($capture_url, 0,strpos($capture_url, '/',8)+1);
      $img_url=$domain_url.$img_url;
    }
    $pathinfo = pathinfo($img_url);  //获取图片路径信息     $pic_name=$pathinfo['basename'];  //获取图片的名字     if (file_exists($this->save_path.$pic_name)) //如果图片存在,证明已经被抓取过,退出函数     {
      echo $img_url . '<span style="color:red;margin-left:80px">该图片已经抓取过!</span><br/>';
      return;
    }
    //将图片内容读入一个字符串     $img_data = @file_get_contents($img_url);  //屏蔽掉因为图片地址无法读取导致的warning错误     if ( strlen($img_data) > $this->img_size )  //下载size比限制大的图片     {
      $img_size = file_put_contents($this->save_path . $pic_name, $img_data);
      if ($img_size)
      {
        echo $img_url . '<span style="color:green;margin-left:80px">图片保存成功!</span><br/>';
      } else       {
        echo $img_url . '<span style="color:red;margin-left:80px">图片保存失败!</span><br/>';
      }
    } else     {
      echo $img_url . '<span style="color:red;margin-left:80px">图片读取失败!</span><br/>';
    }
  }
} // END set_time_limit(120);   //设置脚本的最大执行时间 根据情况设置 $download_img=new download_image('E:/images/',0);  //实例化下载图片对象 $download_img->recursive_download_images('http://www.oschina.net/');   //递归抓取图片方法 //$download_img->download_current_page_images($_POST['capture_url']);   //只抓取当前页面图片方法