PHP开发的页面数据采集程序的基础类

比眉伴天荒 2022-09-19 10:42 110阅读 0赞

这是在一个项目中用到的,用来采集一批网站上的相关内容  
  
这个类是个抽象类,不能实例化,必须在子类中实现必要的方法  
  
如果大家需要开发类似的页面采集程序,可以参考以下代码中的思路  
  
代码中使用了前面介绍的多语言库和数据库访问类  
  
`<?php /** * 定义了每个采集插件需要使用的类, * Main 主体类 * Log * Content * Status */ require_once('Gather_Func.php'); abstract class Gather_Base{     //类的构造参数     private  $gl_ID;     private  $OS;     protected  $RMT_name;     private  $Encoding;     //类的私有参数     private   $timeStart;     private   $timeEnd;     private   $eclapse;     private   $readPages;     private $log_file;     private   $retStatus;     private $db;     protected $areasSell=Array();     protected $areasBuy=Array();     /** * 构造方法 * * @param unknown_type $RMT_name 这个网站的RMT名称,要和管理系统中相对应 * @param unknown_type $Encoding 这个网站页面的编码 * @return Gather_Base */     public function Gather_Base($RMT_name,$Encoding){         $this->RMT_name=$RMT_name;         $this->Encoding=$Encoding;     }     protected final function setEncoding($encoding){      $this->Encoding=$encoding;     }     /**      * 为子类提供一个方法,用来判断从一个URL来的内容是不是已经更新过的      *      * @param unknown_type $url URL地址      * @param unknown_type $doc 页面内容      * @return unknown 是否是更新过的      */     protected final function isNew($url,$doc){         $md5=md5($doc);         $sql="select count(*) from rmt_gather_md5 where url='".$url."'";         $count=$this->db->Single($sql);         if($count){             $sql="select md5 from rmt_gather_md5 where url='".$url."'";             $lastMd5=$this->db->Single($sql);             if($lastMd5==$md5){                 return false;             }else{                 $sql="update rmt_gather_md5 set md5='".$md5."' ,updated=".time()." where url='".$url."'";                 $this->db->Query($sql);                 return true;             }         }else{             $sql="insert into rmt_gather_md5(url,md5,updated) values('$url','$md5',".time().");";             $this->db->Query($sql);             return true;         }     }     /**      * 由主程序调用 设置几个参数      *      * @param unknown_type $gl_ID      * @param unknown_type $OS      * @param unknown_type $db      */     public final function set($gl_ID,$OS,$db){         $this->gl_ID=$gl_ID;         $this->OS=$OS;         $this->timeStart=time();         if($OS=='Win'){             if(!file_exists("./log")){ mkdir("./log");}             if(!file_exists("./log/".$this->RMT_name)){ mkdir("./log/".$this->RMT_name);}         }         $this->log_file='./log/'.$this->RMT_name.'/'.date('Ymd_His_').$gl_ID.'.txt';         $this->db=$db;     }     /**      * 由主程序调用      *      * @return 返回主程序需要的所有数据      */     public final function ending(){         $this->timeEnd=time();         $this->eclapse=$this->timeEnd - $this->timeStart;         return array(         'RMT_name'=>$this->RMT_name,         'Buy'=>$this->areasBuy,         'Sell'=>$this->areasSell,         'Status'=>$this->retStatus,         'timeStart'=>$this->timeStart,         'timeEnd'=>$this->timeEnd,         'eclapse'=>$this->eclapse,         'readPages'=>$this->readPages         );  //程序结束     }     /** * 模式匹配,带错误检查 * * @param string $reg 正则表达式 * @param string $doc 被搜索的文档 * @param bool $enableNone 是否允许无匹配 * @return array 匹配结果数组 */     protected final function  pregMatchAll($reg,$doc,$enableNone=false){         $matchs=array();         $r=preg_match_all($reg,$doc,$matchs,PREG_SET_ORDER);         if($r===false){             $this->status(array(             'code'=>_T::GC_MATCH_WRONG,             'content'=>"<reg>$reg</reg>\n<document>$doc</document>"             ));             return false;         }         if(!$enableNone&&$r==0){             $this->status(array(             'code'=>_T::GC_MATCH_NONE,             'content'=>"<reg>$reg</reg>\n<document>$doc</document>"             ));             return false;         }         return $matchs;     }     /**      * 取得一个表格中的数据,去除各种HTML标识      *      * @param unknown_type $doc      * @return unknown 二维数组      */     function getTableData($doc){      $doc=$this->getMiddle($doc,'<table','</table>');      if(false===$doc){      return false;      }      $doc=$this->getMiddle($doc,'>');      if(false===$doc){      return false;      }      $trs=$this->getMiddles($doc,'<tr','</tr>');      //dump($trs);exit;      if(false===$trs){      return false;      }      $Table=array();      foreach($trs as $tr){      $tr=trim($this->getMiddle($tr,'>'));      if(false===$tr){      return false;      }      $tds=$this->getMiddles($tr,'<td','</td>');      if(!$tds){      $tds=$this->getMiddles($tr,'<th','</th>');      if(!$tds){      dump($tr);exit;      continue;      }      }      $Row=array();      foreach($tds as $td){      $td=$this->getMiddle($td,'>',null,true);      $td=preg_replace('/(<[^>]*>)/','',$td);      $Row[]=$td;      }      $Table[]=$Row;      }      return $Table;     }     /** * 模式匹配,带错误检查 * * @param string $reg 正则表达式 * @param string $doc 被搜索的文档 * @param bool $enableNone 是否允许无匹配 * @return array 匹配结果数组 */     protected  final function pregMatch($reg,$doc,$enableNone=false){         $matchs=array();         $r=preg_match($reg,$doc,$matchs);         if($r===false){             $this->status(array(             'code'=>_T::GC_MATCH_WRONG,             'content'=>"<reg>$reg<reg>\n<document>$doc</document>"));             return false;         }         if(!$enableNone&&$r==0){             $this->status(array(             'code'=>_T::GC_MATCH_NONE,             'content'=>"<reg>$reg</reg>\n<document>$doc</document>"));             return false;         }         return $matchs;     }     /** * 获取字符串中指定开头和结尾中间的内容(不包括开头和结尾标识),不区分大小写 * * @param 要处理的字符串 $str * @param 开头标识 $begin(如果空,则从字符串开头开始) * @param 结尾标识 $end(如果空,则到字符串结尾) * * @return 返回中间的字符串,或者是错误代码 */     protected  final function getMiddle($str,$begin=null,$end=null,$enableNone=false){         if($begin!==null){             $begin=strtolower($begin);             $i=strpos($str,$begin);             if($i===false){                 if($enableNone)return '';                 $this->status(array(                 'code'=>_T::GC_EXPLODE_NO_BEGIN,                 'content'=>"<begin>$begin</begin>\n<document>$str</document>\n"                 ));                 return false;             }             $str=substr($str,$i+strlen($begin));             if($str===false){                 if($enableNone||($i+strlen($begin)==strlen($str)))return '';                 $this->status(array(                 'code'=>_T::GC_EXPLODE_NO_MIDDLE,                 'content'=>"<begin>$begin</begin>\n<end>$end</end>\n<document>$str</document>\n"                 ));                 return false;             }         }         if($end!==null){             $end=strtolower($end);             $j=strpos($str,$end);             if($j===false){                 if($enableNone)return $str;                 $this->status(array(                 'code'=>_T::GC_EXPLODE_NO_END,                 'content'=>"<end>$end</end>\n<document>$str</document>"));                 return false;             }             $str=substr($str,0,$j);             if($str===false){                 if($enableNone)return '';                 $this->status(array(                 'code'=>_T::GC_EXPLODE_NO_MIDDLE,                 'content'=>"<begin>$begin</begin>\n<end>$end</end>\n<document>$str</document>"));                 return false;             }         }         return $str;     }     //用来去除文档中的<table <tr <td     protected  final function eraseTable($doc){         $doc=preg_replace('/(<table[^>]*>)/i','',$doc);         $doc=preg_replace('/(<\/table>)/i','',$doc);         $doc=preg_replace('/(<tr[^>]*>)/i','',$doc);         $doc=preg_replace('/(<\/tr>)/i','',$doc);         $doc=preg_replace('/(<td[^>]*>)/i','',$doc);         $doc=preg_replace('/(<\/td>)/i','',$doc);         $doc=preg_replace('/(onclick="[^"]*")/i','',$doc);         $doc=preg_replace("/(onclick='[^']*')/i",'',$doc);         $doc=preg_replace("/(class='[^']*')/i",'',$doc);         $doc=preg_replace('/(class="[^"]*")/i','',$doc);         $doc=preg_replace('/\s*/i','',$doc);         $doc=str_replace('<br>','',$doc);         $doc=str_replace(',','',$doc);         return $doc;     }     //取得本段中所有出现的段落     protected  final function getMiddles($doc,$start,$end){         $results=array();         $offset=0;         while(true){             $i=strpos($doc,$start,$offset);             if($i===false) return $results;             $offset=$i+strlen($start);             $j=strpos($doc,$end,$offset);             if($j===false)return $results;             $offset=$j;             $results[]=substr($doc,$i+strlen($start),$j-$i-strlen($start));         }         return null;     }     /** * 取得url内容 * 码表转换 * @param unknown_type $url * @return unknown */     protected final  function get2($url){         $this->log(_T::readFile,$url);         $doc=file_get_contents($url);         if(!$doc){             sleep(2);             echo "\nretry\n";             $doc=file_get_contents($url);             if(!$doc){                 sleep(2);                 echo "\nretry\n";                 $doc=file_get_contents($url);                 if(!$doc){                     echo '\nAbort\n';                 }             }         }         if($doc===false) {             $this->status(array('code'=>_T::GC_ACCESS_DENY,'content'=>"url:$url"));             return false;         }         $doc=mb_convert_encoding($doc,"utf-8",$this->Encoding);         $this->readPages ++;         //如果在Windows系统下,记录快照 //        if($this->OS=='Win'){ //            if(!file_exists("./snap")){mkdir("./snap");} //            if(!file_exists("./snap/".$this->RMT_name)){mkdir("./snap/".$this->RMT_name);} // //            if(substr($url,0,7)=='http://')$url=substr($url,7); //            if(substr($url,0,strlen($this->RMT_name))==$this->RMT_name) //            $url=substr($url,strlen($this->RMT_name)); //            if(substr($url,0,1)=='/')$url=substr($url,1); // //            $url=str_replace('/','_',$url); //            $url=str_replace(':','_',$url); //            $url=str_replace('?','_',$url); //            $url=str_replace('=','_',$url); // //            $filename='./snap/'.$this->RMT_name.'/'.date('Ymd_His_').$url; //            if(!preg_match('/\.html?$/i',$filename)) //            $filename=$filename.".html"; // //            file_put_contents($filename,$doc); //        }         return $doc;     }     /**      * 使用指定编码获取文件内容      *      * @param unknown_type $url      * @param unknown_type $encoding      * @return unknown      */     protected final function getWithEncoding($url,$encoding){         $oldEncoding=$this->Encoding;         $this->Encoding=$encoding;         $doc=$this->get($url);         $this->Encoding=$oldEncoding;         return $doc;     }     /** * 获取一个url中的页面内容,转换成小写,去除注释和脚本 * * @param unknown_type $url * @return unknown */     protected final  function get($url){         $doc=$this->get2($url);         if($doc===false)return $doc; //如果有错,将错误向上传递         //转换小写,去除注释和脚本         $doc=strtolower($doc);         while(true){             $i=strpos($doc,'');             if($j===false) return $partHead;             $doc=$partHead.substr($partTail,$j+3);         }         while(true){             $i=strpos($doc,'<script');             if($i===false)break;             $partHead=substr($doc,0,$i);             $partTail=substr($doc,$i);             $j=strpos($partTail,'</script>');             if($j===false) return $partHead;             $doc=$partHead.substr($partTail,$j+9);         }         return $doc;     }     /** * 如果状态是正常,立即返回true * 否则 * 记录错误到retStatus数组中,同时写到日志文件中 * * @param unknown_type $err 通常是另一个程序的返回结果,可能包含错误信息 * @return bool 状态是否正常,如果是错误,返回false */     private  final  function status($err){         if(!is_array($err))return true;         if(!isset($err['code']))return true;         $code=$err['code'];         $content=$err['content'];         $this->retStatus[]=$err;         $this->log($code,$content);         return false;     }     /** * 记录日志 * * @param string $name 日志项的名称 * @param string $content 日志项的内容 */     protected  final  function log($name,$content){         $str="<Log>\n";         $str.="\t<time>".date('Y-m-d H:i:s')."</time>\n";         $str.="\t<name>$name</name>\n";         $str.="\t<content>$content</content>\n";         $str.="</Log>\n"; //        if($this->OS=='Win'){ //            file_put_contents($this->log_file,$str,FILE_APPEND); //        }     }     /**      * 从字符串最取出数字（如有，按科学计数法算） 如      * $str = "123,55你12qq155,12312312";      * 会返回 12355 默认返回 第一个数字 如第二个参数为FALSE 则返回所有数字的数组      *      * @param string $str      * @param bool $first      * @return int or array      */     protected final function str_to_int($str,$first=true){      $arrayQ = array("１","２","３","４","５","６","７","８","９","０");      $arrayB = array("1",'2','3','4','5','6','7','8','9','0');      $str  = str_replace($arrayQ,$arrayB,$str);      $result=array();         preg_match_all("'[^0-9]*([0-9,]+)[^0-9]*'",$str,$result,PREG_SET_ORDER);         if(count($result)){             foreach ($result as $value){                 $value = preg_replace("','","",$value[1]);                 $numbers[] = $value;             }         }else {          return $str;         }         if($first){             return $numbers[0];         }         return $numbers;     }     function get_sub_content($start,$end,$str){         if ( $start == '' || $end == '' ){             return;         }         $str = explode($start, $str);         $str = explode($end, $str[1]);         return $str[0];     }     function getKeyWord($ereg){         $result[]="all";         preg_match_all("'{ { { {([^{}]*)}}}}'si",$ereg,$result2);         foreach ($result2[1] as $value){             $result[]=$value;         }         return $result;     }     function makeArray($keyword,$data) {         $result = array();         if(!count($data))         return $result;         $count = count($data[0]);         foreach ($data as $key=>$value){             foreach ($value as $keyi=>$valuei){                 $result[$key][$keyword[$keyi]]=$valuei;             }         }         return $result;     }     function filterEreg($html){         $ereg = str_replace(array(         '?',         '|',         ".",         "*",         '[',         ']',         ),         array(         "\\?",         "\|",         "\.",         "\*"         ,'\[',         '\]',         ),         $html         );         $ereg = ereg_replace("{ { { {[^{}]*}}}}","([^<>]+)",$ereg);         //dump($ereg);         $ereg = "'".$ereg."'s";         return $ereg;     } } ?>`

阅读(468) | 评论(0) | 转发(0) |

上一篇：PHP的数据库访问类,MYSQL的

下一篇：PHP页面数据采集程序的一个插件子类