由于应用限制,只能用php做接口。
功能:爬取目标网站的图片然后并下载到本地
问题:目标网站由于要js动态渲染页面,但是刷新的速度太慢导致php爬虫爬取不到图片。
目标网站截图:
PHP代码:
<?php
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 $img_size
*/
public function __construct($save_path,$img_size){
$this->save_path=$save_path;
$this->img_size=$img_size;
if(!file_exists($save_path)){
mkdir($save_path,0775);
}
}
/**
* 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
$content=@file_get_contents($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){
$content=@file_get_contents($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 $capture_url . "共找到 " . $photo_num . " 张图片\n";
foreach ($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.'该图片已经抓取过!'."\n";
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.'图片保存成功!'."\n";
} else {
echo $img_url.'图片保存失败!'."\n";
}
} else {
echo $img_url.'图片读取失败!'."\n";
}
}
}
set_time_limit(120); //设置脚本的最大执行时间 根据情况设置
$download_img=new download_image('imgages/',0); //实例化下载图片对象
//$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
$download_img->download_current_page_images('http://127.0.0.1:808/yoyo/word/php/1.html'); //只抓取当前页面图片方法
?>