|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56 57 58 59 60 61 62 63 64 65 66 67 68 69 70 71 72 73 74 75 76 77 78 79 80 81 82 83 84 85 86 87 88 89 90 91 92 93 94 95 96 97 98 99 100 101 102 103 104 105 106 107 108 109 110 111 112 113 114 115 116 117 118 119 120 121 122 123 124 125 126 127 128 129 130 131 132 133 134 135 136 137 138 139 140 141 142 143 144 145 146 147 148 149 150 151 152 153 154 155 156 157 158 159 160 161 162 163 164 165 166 167 168 169 170 171 172 173 174 175 176 177 178 179 180 181 182 |
<?php // 页面错误配置 ini_set('display_errors', true); error_reporting(E_ERROR); set_time_limit(0); // 开始处启用session session_start(); // 定义文章目录url $page = 'http://www.abcsee.net/book/72/72932/'; // 定义保存的文件名，转换为gbk后使在windows系统下显示中文文件名 $output = iconv("UTF-8", "GBK", './我的姥姥是半仙（全文版）.txt'); // 获取当前页数 $p = (int)$_GET['p']; // 获取目录数据 $list = get_lists($page, true); // 第一页时创建标题 if($p == 0){ file_put_contents($output, '我的姥姥是半仙（全文版）' . PHP_EOL . PHP_EOL); } // 获取当前页的url和title $url = $list[$p]['url']; $title = $list[$p]['title']; // 将指定页面的数据写入txt文件 if(false !== execute_content($page . $url, $title, $output)){ echo "第{$p}页<br><br>{$title}<br><br>数据采集完成！"; $p++; $time = 1; header("refresh:{$time};url=tools.php?p={$p}"); exit; } echo 'file append error!'; /** * 生成文件内容 * @param $url * @param null $title * @param $output * @return bool */ function execute_content($url, $title = null, $output) { // 调用http_get_content获取某页数据 $content = http_get_content($url, true); // 正则匹配有用的数据 $txt = preg_match('/<dd id=\"contents\">(.*)<\/dd>/isU', $content, $temp) ? $temp[1] : ""; // 删除无用空格 $text = preg_replace("/(\r\n|\n|\r|\t)/i", '', str_replace('0 40px">', '', trim(html2text($txt)))); // 格式化需要输出的数据 $text = PHP_EOL . $title . PHP_EOL . $text . PHP_EOL; // 写入文件后返回状态 return file_put_contents($output, $text, FILE_APPEND); } /** * html转txt * @param $str * @return mixed|string */ function html2text($str) { $str = preg_replace("/<style .*?<\/style>/is", "", $str); $str = preg_replace("/<script .*?<\/script>/is", "", $str); $str = preg_replace("/<br \s*\/?\/>/i", "\n", $str); $str = preg_replace("/<\/?p>/i", "\n\n", $str); $str = preg_replace("/<\/?td>/i", "\n", $str); $str = preg_replace("/<\/?div>/i", "\n", $str); $str = preg_replace("/<\/?blockquote>/i", "\n", $str); $str = preg_replace("/<\/?li>/i", "\n", $str); $str = preg_replace("/\ \;/i", " ", $str); $str = preg_replace("/\ /i", " ", $str); $str = preg_replace("/\&\;/i", "&", $str); $str = preg_replace("/\&/i", "&", $str); $str = preg_replace("/\<\;/i", "<", $str); $str = preg_replace("/\</i", "<", $str); $str = preg_replace("/\&ldquo\;/i", '"', $str); $str = preg_replace("/\&ldquo/i", '"', $str); $str = preg_replace("/\&lsquo\;/i", "'", $str); $str = preg_replace("/\&lsquo/i", "'", $str); $str = preg_replace("/\&rsquo\;/i", "'", $str); $str = preg_replace("/\&rsquo/i", "'", $str); $str = preg_replace("/\>\;/i", ">", $str); $str = preg_replace("/\>/i", ">", $str); $str = preg_replace("/\&rdquo\;/i", '"', $str); $str = preg_replace("/\&rdquo/i", '"', $str); $str = strip_tags($str); $str = html_entity_decode($str, ENT_QUOTES); $str = preg_replace("/\&\#.*?\;/i", "", $str); return $str; } /** * 获取列表数据 * @param $page * @param bool $cache * @return array|string */ function get_lists($page, $cache = false) { // 定义记录在session中的key $key = sha1($page); $list = array(); // 获取内容数据 $html = http_get_content($page, true); // 正则匹配出列表数据 $table = preg_match("/<table(.*)<\/table>/isU", $html, $temp) ? $temp[1] : ""; if(empty($table)){ return $table; } // 正则匹配出链接信息 $links = preg_match_all ('/<a href=\"(.*?)\".*?>(.*?)<\/a>/i', $table, $matches); if ($links && isset($matches[1])){ // 格式化链接信息 foreach ($matches[1] as $key => $val){ $list[$key] = array( 'url' => $val, 'title' => $matches[2][$key] ); } // 数据记录到session中 if(!empty($list) && $cache){ $_SESSION[$key] = $list; } } return $list; } /** * 获取网页内容 * @param $url * @param $cache * @return mixed|string */ function http_get_content($url, $cache = false) { // 定义当前页面请求的cache key $key = md5($url); // 如果使用cache时只读一次 if($cache){ $file_contents = $_SESSION[$key]; if(!empty($file_contents)) return $file_contents; } // 通过curl模拟请求页面 $ch = curl_init(); // 设置超时时间 $timeout = 30; curl_setopt($ch, CURLOPT_URL, $url); // 以下内容模拟来源及代理还有agent,避免被dns加速工具拦截 curl_setopt($ch, CURLOPT_HTTPHEADER, array('X-FORWARDED-FOR:111.222.333.4', 'CLIENT-IP:111.222.333.4')); curl_setopt($ch, CURLOPT_REFERER, "http://www.baidu.com"); //curl_setopt($ch, CURLOPT_PROXY, "http://111.222.333.4:110"); curl_setopt($ch, CURLOPT_USERAGENT, "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11"); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, $timeout); $file_contents = curl_exec($ch); curl_close($ch); // 匹配出当前页的charset $charset = preg_match("/<meta.+?charset=[^\w]?([-\w]+)/i", $file_contents, $temp) ? strtolower($temp[1]) : ""; //$title = preg_match("/<title>(.*)<\/title>/isU", $file_contents, $temp) ? $temp[1] : ""; // 非utf8编码时转码 if($charset != 'utf-8'){ $file_contents = iconv(strtoupper($charset), "UTF-8", $file_contents); } // 将结果记录到session中，方便下次直接读取 $_SESSION[$key] = $file_contents; return $file_contents; } |
