php web 信息采集

<?php
/**
 *  可以灵活配置使用的采集器
 *  作者：Rain
 *  创建时间：2015-02-03 15:17:30
 *  版本信息：V1.0
*/

///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////
//数据库的相关配置信息,请根据您的数据库信息进行配置
define('DB_HOST', 'localhost');
define('DB_USER', 'root');
define('DB_PWD', 'test123456');
define('DB_NAME', 'test_dbname');
define('DB_CHARSET', 'utf8');
define('TABLE_NAME', 'tb_book');
//end

//网站信息相关的配置,请根据具体需要采集的网站内容信息进行配置
define('WEB_CHARSET', 'gbk');
//变动的参数，使用%d进行替换,只支持数值形式的变动
define('WEB_LIST_URL', 'http://www.pcbookcn.com/book/1_%d.htm');
//分页的条数
define('PAGE_COUNT', 14);
//从哪个页面开始抓取
define('PAGE_START', 1);
//内容页的URL,使用正则模式,必须包含/,例如：/\/xuefu2008\/article\/details\/(\d)+/i
define('WEB_CONTENT_URL_REG', '/\/book\/(\d)+\.htm/i');
//网站域名HOST信息,不包含末尾的/，例如：http://blog.csdn.net
define('WEB_HOST', 'http://www.pcbookcn.com');
//列表页内容的精准定位，用来大致抓取一个列表页的内容显示模块位置，使用正则进行定位
define('WEB_LIST_POSTION', '/book_name\.gif(.*?)<td\swidth="15\%"\snowrap>/i');
//end

//微调参数，通常不修改也不会影响您的正常使用
define('SLEEP_TIME', 1);
define('IS_DEBUG', false);
define('INSERT_DB', true);
//内容的输出速度，单位：秒
define('OUTPUT_SPEED', 1);
//end

//需要过滤删除的文字,根据采集的网站类型进行设置,不区分大小写
$text_filter = array(
    '- 中华电脑书库' => '',
    '_电脑电子书' => '',
    '_电脑书籍' => '',
    '下载' => '',
);

//表结构映射的配置
$table_mapping = array(
//表字段名称 => 获取该字段的正则表达式,非空字段都必须在此设置映射关系，常量值请直接填写具体对应的值，无需使用正则
    'size' => '/软件大小.*?000000>(.*?)<\/font>/i',
    'logo' => 'http://www.94cto.com/index/uploads/images/20150105/0b8461910de101cc51a07684cdab797e.jpg',
    'field1' => '/<title>(.*?)<\/title>/i',
    'field2' => '/软件简介.*?000000>(.*?)<\/font>/i',
    'field3' => '1',
    'field4' => '1',
    'field5' => '1',
    'field6' => '电子书,计算机,图像,图形',
    'platform' => 'window/Linux',
    'ishot' => '1',
    'agreement' => '免费',
    'downurl' => '/(\/down\.asp\?id=.*?)"/i',
    'istop' => '1',
);
///////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////////

$ga = new Gather();
$ga->run();

class Gather
{
    public function __construct()
    {
        $this->init_check();
    }

    public function run()
    {
        global $table_mapping, $text_filter;

        for ($page = PAGE_START; $page <= PAGE_COUNT; $page++)
        {

            $this->write('开始采集列表第'.$page.'页的内容...');
            $list_content = $this->get(sprintf(WEB_LIST_URL, $page));
            if (empty($list_content))
            {
                $this->write('抓取的列表页的内容为空，所以过滤掉');
                continue;
            }

            $list_content = str_replace("\r", '', $list_content);
            $list_content = str_replace("\n", '', $list_content);

            //精准定位要抓取的模块内容
            if (!preg_match(WEB_LIST_POSTION, $list_content, $list_search))
            {
                $this->write('精准匹配列表页的内容失败，所以过滤掉');
                continue;
            }
            if (isset($list_search[1]))
                $list_content = $list_search[1];
            else
                $list_content = $list_search[0];
            //end

            preg_match_all(WEB_CONTENT_URL_REG, $list_content, $match);
            if (is_array($match[0]) && !empty($match[0]))
            {
                $this->write('当前的列表页面，总共匹配到：'.count($match[0]).'个内容页');
                foreach ($match[0] as $val)
                {
                    if (strpos($val, 'http:') === false)
                    {
                        if (substr($val, 0, 1) == '/')
                            $val = WEB_HOST.$val;
                        else
                            $val = WEB_HOST.'/'.$val;
                    }
                    $web_content = $this->get($val);
                    if (empty($web_content))
                    {
                        $this->write('抓取的内容页为空,所以过滤掉');
                        continue;
                    }

                    $web_content = str_replace("\r", '', $web_content);
                    $web_content = str_replace("\n", '【】', $web_content);

                    $sql = "INSERT INTO ".TABLE_NAME."(".implode(', ', array_keys($table_mapping)).")VALUES(";
                    foreach ($table_mapping as $field => $reg)
                        $sql .= ':'.$field.',';
                    $sql = substr($sql ,0, -1);
                    $sql .= ')';

                    if (IS_DEBUG)
                        $this->write('执行SQL '.$sql);

                    $dsn = 'mysql:dbname='.DB_NAME.';host='.DB_HOST;
                    try {
                        $dbh = new PDO($dsn, DB_USER, DB_PWD);
                    } catch (PDOException $e) {
                        $this->write( 'Connection failed: ' . $e->getMessage(), true);
                    }
                    $dbh->query("set names 'utf8'");
                    $sth = $dbh->prepare($sql);

                    foreach ($table_mapping as $field => $reg)
                    {
                        if (substr($reg, 0, 1) !=  '/')
                        {
                            $$field = $reg;
                        }
                        else
                        {
                            if (!preg_match($reg, $web_content, $tmp_match))
                            {
                                $this->write('对不起,匹配字段：'.$field.'失败，过滤此记录');
                                continue 2;
                            }

                            $$field = $tmp_match[1];
                            $$field = $this->closetags($$field);

                            //删除javascript脚本
                            $$field = preg_replace('/<script(.*?)>(.*?)<\/script>/i', '', $$field);

                            //将链接删除
                            $$field = preg_replace('/<a(.*?)>(.*?)<\/a>/i', '${2}', $$field);

                            //图片链接地址绝对地址化
                            preg_match_all('/<img.*?src=("|\')+(.*?)("|\')+.*?>/i', $$field, $img_match);
                            if (isset($img_match[2]) && is_array($img_match[2]) && !empty($img_match[2]))
                            {
                                foreach ($img_match[2] as $img_val)
                                {
                                    if (strpos($img_val, 'http:') === false)
                                    {
                                        $new_val = $img_val;
                                        if (substr($new_val, 0, 1) != '/')
                                            $new_val = '/'.$img_val;
                                        $new_val = WEB_HOST.$new_val;
                                        $$field = str_replace($img_val, $new_val, $$field);
                                    }
                                }
                            }
                            //end

                            //针对HTML里面的pre的换行先做一个特殊处理
                            $$field = preg_replace('/<pre.*?>(.*?)<\/pre>/i', '<pre class="prettyprint">${1}</pre>', $$field);
                            preg_match_all('/<pre>(.*?)<\/pre>/i', $$field, $pre_match);
                            if (isset($pre_match[1]) && is_array($pre_match[1]) && !empty($pre_match[1]))
                            {
                                foreach ($pre_match[1] as $pre_val)
                                    $$field = str_replace($pre_val, str_replace("【】", "\r\n", $pre_val), $$field);
                            }
                            //end
                        }

                        //入库之前，将对应的换行符号都还原回来
                        $$field = str_replace('【】', "\r\n", $$field);
                        //文本的过滤和替换操作
                        if (is_array($text_filter) && !empty($text_filter))
                        {
                            foreach ($text_filter as $tk => $tv)
                                $$field = str_ireplace($tk, $tv, $$field);
                        }

                        if (IS_DEBUG)
                            $this->write('*'."\t".'字段：'.$field.'  值：'."\n****************************************************\n".$$field."\n****************************************************");
                        if ('downurl' == $field && stripos($$field, 'http:') === false)
                            if (substr($$field, 0, 1) == '/')
                                $$field = WEB_HOST.trim($$field);
                            else
                                $$field = WEB_HOST.'/'.trim($$field);
                        $sth->bindValue(':'.$field, trim($$field));
                    }
                    if (INSERT_DB)
                        $sth->execute();
                    $sth->closeCursor();

                    $this->write( '休息，暂停'.SLEEP_TIME.'秒后继续抓取...');
                    sleep(SLEEP_TIME);
                }
            }
            else
            {
                $this->write('列表页面没有抓取到内容，所以过滤掉');
            }
        }
        $this->write('', true);
    }

    protected function closetags($html)
    {
        // 不需要补全的标签
        $arr_single_tags = array('meta', 'img', 'br', 'link', 'area');
        // 匹配开始标签
        preg_match_all('#<([a-z]+)(?: .*)?(?<![/|/ ])>#iU', $html, $result);
        $openedtags = $result[1];
        // 匹配关闭标签
        preg_match_all('#</([a-z]+)>#iU', $html, $result);
        $closedtags = $result[1];
        // 计算关闭开启标签数量，如果相同就返回html数据
        $len_opened = count($openedtags);
        if (count($closedtags) == $len_opened) {
        return $html;
        }
        // 把排序数组，将最后一个开启的标签放在最前面
        $openedtags = array_reverse($openedtags);
        // 遍历开启标签数组
        for ($i = 0; $i < $len_opened; $i++) {
        // 如果需要补全的标签
        if (!in_array($openedtags[$i], $arr_single_tags)) {
        // 如果这个标签不在关闭的标签中
        if (!in_array($openedtags[$i], $closedtags)) {
        // 直接补全闭合标签
        $html .= '</' . $openedtags[$i] . '>';
        } else {
        unset($closedtags[array_search($openedtags[$i], $closedtags)]);
        }
        }
        }
    return $html;
    }

    protected function init_check()
    {
        if (!$this->check_curl_support())
            $this->write('对不起，请先开启CURL的类库的支持，否则无法执行', true);
        $this->check_mysql_connect();
        $this->write('程序初始化检查通过,执行后续的流程...');
    }

    private function get($url, $data = array())
    {
        $this->write('开始执行抓取: '.$url);
        $ch = curl_init();
        curl_setopt($ch, CURLOPT_URL, $url);
        //curl_setopt($ch, CURLOPT_USERAGENT, "Baiduspider+(+http://www.baidu.com/search/spider.htm)");
        curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)");
        curl_setopt($ch, CURLOPT_HEADER, 0);
        curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
        curl_setopt($ch, CURLOPT_HTTPHEADER, $data);
        $ret = curl_exec($ch);
        $error = curl_error($ch);
        curl_close($ch);
        unset($ch);
        if (!empty($error))
        {
            $this->write('程序抓取URL: '.$url.'发生错误，错误信息: '.$error);
            return false;
        }
        if (WEB_CHARSET != 'utf-8')
            $ret = iconv(WEB_CHARSET, 'utf-8', $ret);
        return $ret;
    }

    //when check finish,mysql connect will auto close
    private function check_mysql_connect()
    {
        $con = mysql_connect(DB_HOST, DB_USER, DB_PWD);
        if (!is_resource($con))
            $this->write('程序无法成功链接到数据库,具体的错误信息:'.mysql_error(), true);
        if (!mysql_select_db(DB_NAME, $con))
            $this->write('程序无法链接到数据库: '.DB_NAME.'，具体的错误信息: '.mysql_error(), true);
        mysql_close($con);
    }

    private function check_curl_support()
    {
        if (!extension_loaded('curl') || !function_exists('curl_init'))
            return false;
        return true;
    }

    private function write($str, $end = false)
    {
        if (PATH_SEPARATOR == ':')
            echo $str,PHP_EOL,PHP_EOL;
        else
            echo iconv('UTF-8', 'GBK', $str),PHP_EOL,PHP_EOL;

        if ($end)
            die("program exit");

        sleep(OUTPUT_SPEED);
    }
}