php的Snoopy类

黄智勇

　　用了两天这个类，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：
　　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：
  
   include 'snoopy/Snoopy.class.php';
$snoopy = new Snoopy();
$sourceURL = "http://xxxxxxxxx";
$snoopy->fetchlinks($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 = &quot;/<img[^s]+src=\&quot;(http:\/\/[^\&quot;]+).(jpg|png|gif|jpeg)\&quot;[^\/]*\/>/i&quot;;

　　
　　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
　　



<meta http-equiv='content-type' content='text/html;charset=utf-8'>
<?php
    include 'snoopy/Snoopy.class.php';
    $snoopy = new Snoopy();
    $sourceURL = &quot;http://xxxxx&quot;;
    $snoopy->fetchlinks($sourceURL);
    $a = $snoopy->results;
    $re = &quot;/\d+\.html$/&quot;;
    //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
        $reTag = &quot;/<img[^s]+src=\&quot;(http:\/\/[^\&quot;]+).(jpg|png|gif|jpeg)\&quot;[^\/]*\/>/i&quot;;
        if (preg_match($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 = $name.&quot;.&quot;.$suffix;
        echo &quot;请求的图片地址：&quot;.$url.&quot;<br/>&quot;;
        $imgSavePath = &quot;E:/xxx/style/images/&quot;;
        $imgId = preg_replace(&quot;/^.+\/(\d+)$/&quot;, &quot;\\1&quot;, $name);
        if ($suffix == &quot;gif&quot;) {
            $imgSavePath .= &quot;emotion&quot;;
        } else {
            $imgSavePath .= &quot;topic&quot;;
        }
        $imgSavePath .= (&quot;/&quot;.$imgId.&quot;.&quot;.$suffix);
        if (is_file($imgSavePath)) {
            unlink($imgSavePath);
            echo &quot;<p style='color:#f00;'>文件&quot;.$imgSavePath.&quot;已存在，将被删除</p>&quot;;
        }
        $imgFile = file_get_contents($url);
        $flag = file_put_contents($imgSavePath, $imgFile);
        if ($flag) {
            echo &quot;<p>文件&quot;.$imgSavePath.&quot;保存成功</p>&quot;;
        }
    }
?>


　　
　　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 = &quot;r+&quot;;
$filename = &quot;d:/file.txt&quot;;
$fp = fopen($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, &quot;123&quot;);
  }
  $i++;
}
fclose($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… 你有好的方法吗？