php远程抓取网站图片并保存

/**
 * 一个用于抓取图片的类
 */
class download_image{
    //抓取图片的保存地址
    public $save_path;
    //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){
    	//没抓取过
        if (!in_array($capture_url,self::$a_url_arr)){
        	//计入静态数组
            self::$a_url_arr[]=$capture_url;
        }else{
        	//抓取过,直接退出函数
            return;
        }
        //下载当前页面的所有图片
        $this->download_current_page_images($capture_url);
        //用@屏蔽掉因为抓取地址无法读取导致的warning错误
        $content=@file_get_contents($capture_url);
        //匹配a标签href属性中?之前部分的正则
        $a_pattern = "|]+href=['\" ]?([^ '\"?]+)['\" >]|U";   
        preg_match_all($a_pattern, $content, $a_out, PREG_SET_ORDER);
        //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
        $tmp_arr=array();
        foreach ($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 => $v){            
            //超链接路径地址,如果url包含http://,可以直接访问
            if ( strpos($v, 'http://')!==false ){
                $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){
    	//屏蔽warning错误
        $content=@file_get_contents($capture_url);
		//匹配img标签src属性中?之前部分的正则
		$img_pattern = "|]+src=['\" ]?([^ '\"?]+)['\" >]|U";   
        preg_match_all($img_pattern, $content, $img_out, PREG_SET_ORDER);
		$photo_num = count($img_out);
        //匹配到的图片数量
        echo '

'.$capture_url . "共找到 " . $photo_num . " 张图片

"; 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; } //获取图片路径信息 $pathinfo = pathinfo($img_url); //获取图片的名字 $pic_name=$pathinfo['basename']; //如果图片存在,证明已经被抓取过,退出函数 if (file_exists($this->save_path.$pic_name)){ echo $img_url . '该图片已经抓取过!
'; return; } //将图片内容读入一个字符串,屏蔽掉因为图片地址无法读取导致的warning错误 $img_data = @file_get_contents($img_url); //下载size比限制大的图片 if ( strlen($img_data) > $this->img_size){ $img_size = file_put_contents($this->save_path . $pic_name, $img_data); if($img_size){ echo $img_url . '图片保存成功!
'; }else{ echo $img_url . '图片保存失败!
'; } }else{ echo $img_url . '图片读取失败!
'; } } } //设置脚本的最大执行时间 根据情况设置 set_time_limit(120); //实例化下载图片对象 $download_img=new download_image('E:/images/',0); //递归抓取图片方法 $download_img->recursive_download_images('http://www.xxx.com/zj/shipin'); //只抓取当前页面图片方法 //$download_img->download_current_page_images($_POST['capture_url']);

你可能感兴趣的:(PHP)