抓取网站图片

白与黑 2021-09-06 21:38:01 1080℃ 9798 0条


该文章主要介绍了简单的爬虫,将网站上的图片抓取到本地,可深度抓取

方式1: 抓取指定图片

/**
 * PHP将网页上的图片攫取到本地存储
 * @param string $imgUrl 图片url地址
 * @param string $saveDir 本地存储路径 默认存储在当前路径
 * @param null $fileName 图片存储到本地的文件名
 * @return array
 */
function crabImage($imgUrl = '', $saveDir = 'uploads/', $fileName = null)
{
    if (empty($imgUrl)) {
        return false;
    }
    //获取图片信息大小
    $imgSize = getImageSize($imgUrl);
    if (!in_array($imgSize['mime'], array('image/jpg', 'image/gif', 'image/png', 'image/jpeg'), true)) {
        return false;
    }
    //获取后缀名
    $_mime = explode('/', $imgSize['mime']);
    $_ext = '.' . end($_mime);
    if (empty($fileName)) {  //生成唯一的文件名
        $fileName = uniqid(time(), true) . $_ext;
    }
    //开始攫取
    ob_start();
    readfile($imgUrl);
    $imgInfo = ob_get_contents();
    ob_end_clean();
    if (!is_dir($saveDir)) {
        mkdir($saveDir, 0755, true);
    }
    $fp = fopen($saveDir . $fileName, 'a');
    $imgLen = strlen($imgInfo);    //计算图片源码大小
    $_inx = 1024;   //每次写入1k
    $_time = ceil($imgLen / $_inx);
    for ($i = 0; $i < $_time; $i++) {
        fwrite($fp, substr($imgInfo, $i * $_inx, $_inx));
    }
    fclose($fp);
    return array('file_name' => $fileName, 'save_path' => $saveDir . $fileName);
}

方式2: 抓取指定图片(处理重定向)

/**
 * 下载远程图片
 * @param string $url 图片的绝对url
 * @param string $filepath 文件的完整路径(例如/www/images/test) ,此函数会自动根据图片url和http头信息确定图片的后缀名
 * @param string $filename 要保存的文件名(不含扩展名)
 * @return mixed 下载成功返回一个描述图片信息的数组,下载失败则返回false
 */
function downloadImage($url, $filepath = 'uploads/', $filename = '')
{
    if(!$url){
        return false;
    }
    //服务器返回的头信息
    $responseHeaders = array();
    //原始图片名
    $originalfilename = '';
    //图片的后缀名
    $ext = '';
    $ch = curl_init($url);
    //设置curl_exec返回的值包含Http头
    curl_setopt($ch, CURLOPT_HEADER, 1);
    //设置curl_exec返回的值包含Http内容
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    //设置抓取跳转(http 301,302)后的页面
    curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);
    //设置最多的HTTP重定向的数量
    curl_setopt($ch, CURLOPT_MAXREDIRS, 3);

    //服务器返回的数据(包括http头信息和内容)
    $html = curl_exec($ch);
    //获取此次抓取的相关信息
    $httpinfo = curl_getinfo($ch);
    curl_close($ch);
    if ($html !== false) {
        //分离response的header和body,由于服务器可能使用了302跳转,所以此处需要将字符串分离为 2+跳转次数 个子串
        $httpArr = explode("\r\n\r\n", $html, 2 + $httpinfo['redirect_count']);
        //倒数第二段是服务器最后一次response的http头
        $header = $httpArr[count($httpArr) - 2];
        //倒数第一段是服务器最后一次response的内容
        $body = $httpArr[count($httpArr) - 1];
        $header .= "\r\n";

        //获取最后一次response的header信息
        preg_match_all('/([a-z0-9-_]+):\s*([^\r\n]+)\r\n/i', $header, $matches);
        if (!empty($matches) && count($matches) == 3 && !empty($matches[1]) && !empty($matches[1])) {
            for ($i = 0; $i < count($matches[1]); $i++) {
                if (array_key_exists($i, $matches[2])) {
                    $responseHeaders[$matches[1][$i]] = $matches[2][$i];
                }
            }
        }
        //获取图片后缀名
        if (0 < preg_match('{(?:[^\/\\\\]+)\.(jpg|jpeg|gif|png|bmp)$}i', $url, $matches)) {
            $originalfilename = $matches[0];
            $ext = $matches[1];
        } else {
            if (array_key_exists('Content-Type', $responseHeaders)) {
                if (0 < preg_match('{image/(\w+)}i', $responseHeaders['Content-Type'], $extmatches)) {
                    $ext = $extmatches[1];
                }
            }
        }
        //保存文件
        if (!empty($ext)) {
            //如果目录不存在,则先要创建目录
            if (!is_dir($filepath)) {
                mkdir($filepath, 0755, true);
            }
            if (empty($filename)) {  //生成唯一的文件名
                $filename = uniqid(time(), true);
            }
            $filename = $filepath . $filename . ".$ext";
            $local_file = fopen($filename, 'w');
            if (false !== $local_file) {
                if (false !== fwrite($local_file, $body)) {
                    fclose($local_file);
                    $sizeinfo = getimagesize($filename);
                    return array('filepath' => realpath($filepath), 'width' => $sizeinfo[0], 'height' => $sizeinfo[1], 'orginalfilename' => $originalfilename, 'filename' => pathinfo($filename, PATHINFO_BASENAME));
                }
            }
        }
    }
    return false;
}

方式3: 深度抓取或者只抓取当前页面(抓取过的再次抓取不会重复进行)

  • 封装类
<?php
namespace grabpictures;
class downloadImage
{
    private $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大的图片
    private $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();
    //是否只爬取当前页面:true-当前页面,false-深层爬取
    private $only_current_page;

    /**
     * @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, $only_current_page = true)
    {
        $this->mkdir($save_path);
        $this->save_path = $save_path;
        $this->img_size = $img_size;
        $this->only_current_page = $only_current_page;
    }

    /**
     * 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[] = $v[1];
            }
        }
        if(!$this->only_current_page){
            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 $capture_url 用于抓取图片的网页地址
     * @return Array  当前网页上所有图片img标签url地址的一个数组
     */
    private function download_current_page_images($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 '<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 $img_url 需要保存的图片的url
     *
     */
    private function save_one_img($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/>';
        }
    }

    private function mkdir($path)
    {
        if (!file_exists($path)) {
            @mkdir($path, 0755, true);
        }
    }
}
  • 使用
<?php
use grabpictures\downloadImage;
class Test 
{
    public function index()
    {
        set_time_limit(0);   //设置脚本的最大执行时间 根据情况设置
        $download_img = new downloadImage('./upload/curl/images/', 0);  //实例化下载图片对象
        $download_img->recursive_download_images('http://sc.chinaz.com/tupian/191021556795.htm');
    }
}
标签: PHP, 服务器, ThinkPHP, laravel

非特殊说明,本博所有文章均为博主原创。

上一篇 Dcat Admin彩色icon
下一篇 header大全

评论啦~