|
|
考慮到單純的采集一個網(wǎng)頁的圖片，太麻煩，所以直接采集他的列表頁，獲取列表的url然后在一一采集，但是用php匹配列表頁的url太麻煩，第一列表頁有很多無效url這對我這個正則小菜鳥實(shí)在是個問題，看了一下列表頁的結(jié)構(gòu)，果斷采用jquery獲取url，jquery的萬能選擇器又再次強(qiáng)大起來了。
jquery獲取url，然后ajax傳遞url―>對應(yīng)php文件，遍歷url參數(shù)―->單頁面采集保存圖片
jquery程序
復(fù)制代碼 代碼如下:
<script src="http://www.cztv.com/uibase/jquery.js"></script>
<script >
$(document).ready(function(){
var hrefs ='';
$('.f_folder>a').each(function(i){
var href = $('.f_folder:eq('+i+')>a:eq(0)').attr('href');
if(href!='undefined'){
hrefs +=href+',';
}
})
$.getJSON("http://www.****.com/365/getimg.php?hrefs="+hrefs+"&callback=?", function(data){
//alert(data.info);
});
});
</script>
這里把url拼接成‘，'分割的字符串傳遞url，使用getjson是為了跨域需要，關(guān)于getjson常見的幾個問題可以參看<$.getjson遇到的幾個問題>
php采集程序
復(fù)制代碼 代碼如下:
<?php
// 抓起365圖片
error_reporting(E_ALL ^ E_NOTICE);
set_time_limit(0);//設(shè)置php超時時間
/**
* 得到當(dāng)前時間
*/
function getMicrotime() {
list ($usec, $sec) = explode(" ", microtime());
return ((float) $usec + (float) $sec);
}
$stime = getMicrotime();
$callback = $_GET['callback'];
$hrefs = $_GET['hrefs'];
$urlarray = explode(',',$hrefs);
//獲取指定url的所有圖片
function getimgs($url){
$dirname = basename($url,".php");
if(!file_exists($dirname)){
mkdir('365/'.$dirname.'');
}
clearstatcache();
$data = file_get_contents($url);
preg_match_all("/(href|src)=(["|']?)([^ "'>]+.(jpg|png|PNG|JPG|gif))/2/i", $data, $matches);
//$matches[3] = array_unique($matches[3]);
unset($data);
$i=0;
if(count($matches[3])>0){
foreach($matches[3] as $k=>$v){
//簡單判斷是否是標(biāo)準(zhǔn)url，而不是相對路徑
if(substr($v,0,4)=='http'){
$ext = pathinfo($v,PATHINFO_EXTENSION);//圖片擴(kuò)展
if(!file_exists('365/'.$dirname.'/'.$k.'.'.$ext)){
file_put_contents('365/'.$dirname.'/'.$k.'.'.$ext,file_get_contents($v));
$i++;
}else{
unset($v);
}
clearstatcache();
}else{
unset($v);
}
}
unset($matches);
return $i;
}
}
foreach($urlarray as $k=>$v){
if($v!=''){
$j +=getimgs($v);
}
}
$etime = getMicrotime();
echo "合計(jì)采集了".$j."張圖片";
echo "用時".($etime-$stime)."秒";
考慮到性能問題：在getimgs方法中所用的變量都是使用后便注銷（unset）了，以便釋放內(nèi)存。
設(shè)計(jì)到的幾個知識點(diǎn)
判斷是否是標(biāo)準(zhǔn)有效圖片url
if(substr($v,0,4)=='http')這個只是簡單的判斷一下匹配到的圖片url是否是標(biāo)準(zhǔn)的url，因?yàn)椴杉膱D片可能是相對路徑的，這里我直接放棄這種圖片的采集，當(dāng)然你也可以把這種圖片還原成標(biāo)準(zhǔn)圖片路徑，還有一個問題就是即使是標(biāo)準(zhǔn)url格式，這樣的圖片也未必可以采集，因?yàn)槟悴恢肋@個圖片是否還有，也許這個圖片url已經(jīng)無效了，如果你想更嚴(yán)格的判斷這個圖片url是否真實(shí)有效可以推薦看我之前的《php判斷遠(yuǎn)程url是否有效的幾種方法》有三種方法可以驗(yàn)證是否是有效url。
獲取圖片格式
$ext = pathinfo($v,PATHINFO_EXTENSION);//圖片擴(kuò)展
這里使用了pathinfo的方法，總結(jié)有7種方法可以獲取到文件的格式，推薦文章：《php判斷圖片格式的七種方法》
下載保存到本地
file_put_contents('365/'.$dirname.'/'.$k.'.'.$ext,file_get_contents($v));
file_put_contents() 函數(shù)把一個字符串寫入文件中。
與依次調(diào)用 fopen()，fwrite() 以及 fclose() 功能一樣。
file_get_contents() 函數(shù)把整個文件讀入一個字符串中。
因?yàn)?a href=/yuedu/fuwuqi/ target=_blank class=infotextkey>服務(wù)器支持file_get_contents，如果服務(wù)器把這個函數(shù)禁用了，可以使用curl，這個工具要比file_get_contents更加強(qiáng)大，推薦學(xué)習(xí)《CURL的學(xué)習(xí)和應(yīng)用(附多線程)》，可以使用curl的多線程下載存儲，效果更牛逼
清除文件操作緩存
clearstatcache() 函數(shù)清除文件狀態(tài)緩存。clearstatcache() 函數(shù)會緩存某些函數(shù)的返回信息，以便提供更高的性能。但是有時候，比如在一個腳本中多次檢查同一個文件，而該文件在此腳本執(zhí)行期間有被刪除或修改的危險(xiǎn)時，你需要清除文件狀態(tài)緩存，以便獲得正確的結(jié)果。要做到這一點(diǎn)，就需要使用 clearstatcache() 函數(shù)。官方手冊：
程序執(zhí)行時間計(jì)算
復(fù)制代碼 代碼如下:
/**
* 得到當(dāng)前時間
*/
function getMicrotime() {
list ($usec, $sec) = explode(" ", microtime());
return ((float) $usec + (float) $sec);
}
可以參考本博客文章；《獲取php頁面執(zhí)行時間，數(shù)據(jù)庫讀寫次數(shù)，函數(shù)調(diào)用次數(shù)等【THINKphp】》
最后看一下效果；
409秒采集了214張圖片，大概2秒下載保存了一張圖片，圖片總大小約62M，這樣看來：
一個小時60*60可以大約下載1800張美女圖片。
php技術(shù)：PHP批量采集下載美女圖片的實(shí)現(xiàn)代碼，轉(zhuǎn)載需保留來源！
鄭重聲明：本文版權(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如作者信息標(biāo)記有誤，請第一時間聯(lián)系我們修改或刪除，多謝。
