php解析html类（2）

之前写过一个1.0版的。bug还是有不少的

1.将html分成块的时候，保存的是每个块的所有字符。这种方法会浪费时间和内存。换成保存块在源码中的其实index和长度，则好太多了。

2.分块时只对< > ' " ! / 六个字符进行处理。这是有逻辑问题的。像<br/>，会被认为是结束标签而不是单标签。所以要对[<>'"!/a-zA-Z]进行处理。

3.将所有块分层，以及将没有闭合的开始标签和结束标签设为单标签。原先的方法是对开始标签进行入栈，对结束标签进行匹配：匹配成功则进行配对归约操作，中间的都是没闭合的开始标签，都设为单标签并且出栈；匹配失败，则是不合时宜的结束标签，设为单标签。

思路很清晰，也很好。但1.0的版本中分块函数里有多个for循环，出栈时栈的长度减少时，没有及时改变依赖栈的长度的变量。

修改后测试了几次，嵌套深度（level）进入html开始标签时是1，退出html结束标签时也是1.

4.GetAttribute函数。有些许问题。

5.对于img标签。之前没做处理。不过既然是做采集系统，图片当然要down下来。有可能图片是相对路径，是要做处理的。

htmlparser2.0版本程序源码如下（其实在是第10+个版本了）

<?php
/*
时间:2015-12-25 19:04:34
作者:阮家友
QQ:1439120442
*/
header('Content-Type: text/html; charset=utf-8');
//定义常量 html文件分4种类型块
//开始标签
define("HTML_TAG_ST",1);
//结束标签
define("HTML_TAG_END",2);
// <!开头 文档声明和注释
define("HTML_COMMENT",3);
//文本
define("HTML_TEXT",4);
//单标签
define("HTML_SINGLE_TAG",5);

//左方括号
define("CHAR_L_BRACKET","<");
//右方括号
define("CHAR_R_BRACKET",">");
//单引号
define("CHAR_S_QUOTE","'");
//双引号
define("CHAR_D_QUOTE",'"');
//与
define("CHAR_AND","&");
//感叹号
define("CHAR_GanTanHao",'!');
//斜杠 除法  Unix中表示目录
define("CHAR_XieGang",'/');
//反斜杠 转义
define("CHAR_FanXieGang",'\\');
//tab键
define("CHAR_TAB",'\t');
//空格
define("CHAR_SPACE",' ');
//回车
define("CHAR_ENTENR",'\r');
//换行
define("CHAR_NewLine",'\n');
abstract class parser{
//成员变量
//路径
public $path;
//html源码
private $htmlcode;
//分块数组
private $BlockArr;
//分析层级栈 永远是开始标签
private $Zhan;
//层级变量
public $level;
//属性数组 在标记单标签时借用一下
private $AttributesArr;
//构造函数
function __construct($path){
$this->htmlcode = "";
$this->path = $path;
$this->BlockArr = array();
$this->AttributesArr = array();
$this->Zhan = array();
$this->level=0;
}
//析构函数
function __destruct(){}
function GetCharSet($url){
//返回的编码字符集
$CharSet = "";
//获取编码字符集
$CharSet = preg_match("/<meta.+?charset=[^\w]?([-\w]+)/i",$this->htmlcode,$temp) ? strtoupper($temp[1]):"UTF-8";
return $CharSet;
}
//获取HTML源码
function LoadHTML(){
$this->htmlcode = file_get_contents($this->path);
$encode = $this->GetCharSet($this->path);
if($encode!="UTF-8"){
$this->htmlcode = mb_convert_encoding($this->htmlcode, 'utf-8', $encode);
}

}
//将HTML源码分割为块
function Split2Block(){
$tempstr="";//保存截取的临时字符串
$temp = array();//匹配結果
$tagname = "";//标签名
$CurrentPos = 0;//当前字符在字符串中的索引 下标 index
$N = strlen($this->htmlcode);//字符串的长度
$posL = 0;//块的左端位置
$posR = 0;//块的右端位置
$type = 0;//当前块的类型
$bCommentOEndTag = false;
$bSingleTag = false;
$bTextStart = false;
$bEndTag = false;
// < 开始
$bLSBracketStart = false;
// > 开始
$bRSBracketStart = false;
// " 开始
$bSQuoteStart = false;
// ' 开始
$bDQuoteStart = false;
for($i=0;$i<$N;$i++){
//只对<>"'!/感兴趣  后来加了字母是因为标准单标签后面的/
if(!preg_match('/[<>\'"!\/a-zA-Z]/',$this->htmlcode[$i],$temp)){
continue;
}
// 检测到 ! / StartTag Comment EndTag判断 < 开始设置了默认类型是开始标签 后面第一个字符是 ! 则本块是注释 是/ 则是结束标签
if(true == $bLSBracketStart &&true==$bCommentOEndTag){
// : ! 本块是注释
if(CHAR_GanTanHao == $this->htmlcode[$i]){
$type = HTML_COMMENT;
}
// : / 并且不再字符串内 本块是结束标签
if(CHAR_XieGang == $this->htmlcode[$i]&&false==$bSQuoteStart&&false==$bDQuoteStart){
$type = HTML_TAG_END;
}
//本次块的类型判断结束 还原状态 等待下次
$bCommentOEndTag = false;
}
//检测到 " '单引号或双引号 true == $bLSBracketStart && HTML_TAG_ST==$type &&(
if($bLSBracketStart && HTML_COMMENT!=$type && (CHAR_S_QUOTE==$this->htmlcode[$i]|| CHAR_D_QUOTE==$this->htmlcode[$i])){
//单引号
if(CHAR_S_QUOTE==$this->htmlcode[$i]){
//单引号开始过则此单引号进行闭合操作
if(true == $bSQuoteStart){
$bSQuoteStart = false;
}
//双引号开始过则跳过
else{
if(true == $bDQuoteStart){
continue;
}
//单引号开头的字符串开启
else{
$bSQuoteStart = true;
}
}
}
//双引号
else{
//双引号开始过则闭合
if(true == $bDQuoteStart){
$bDQuoteStart = false;
}
//单引号开始过则跳过
else{
if(true == $bSQuoteStart){
continue;
}
//双引号开头的字符串开启
else{
$bDQuoteStart = true;
}
}
}
}//引号处理结束
//检测到 <字符
if(CHAR_L_BRACKET==$this->htmlcode[$i]){
//如果在注释或字符串中则跳过
if(HTML_COMMENT == $type||$bSQuoteStart||$bDQuoteStart){
continue;
}
//当前块类型为文本或>开始后遇到<
//将当前块设为文本并push 重新开启 <
if($bTextStart||$bLSBracketStart){
$bTextStart = false;
$temp = trim(substr($this->htmlcode,$posL,$i-$posL));
if(""!=$temp && $posL!=$i){
array_push($this->BlockArr,array(HTML_TEXT,"",array($posL,$i-$posL)));
}
}
$posL=$i;
$type = HTML_TAG_ST;
$bLSBracketStart = true;
$bCommentOEndTag = true;
continue;
}// < 结束
//检测到 >字符
if(CHAR_R_BRACKET==$this->htmlcode[$i]){
//在字符串内则跳过 或<没开始
if($bSQuoteStart||$bDQuoteStart||false==$bLSBracketStart){
continue;
}
$posR = $i;
$bRSBracketStart = true;
//开始块 结束块 注释块在此处理
//文本块不在此处理
//截取出当前块的内容
$tempstr = substr($this->htmlcode,$posL,$posR-$posL+1);
switch($type){
case HTML_TAG_ST:
//提取标签名
$tagname = preg_match("/<\s*([a-zA-Z][a-zA-Z0-9]*)/i",$tempstr,$temp) ? strtolower($temp[1]):"STerror";
//分析是否是单标签
$bSingleTag = preg_match('/(\/\s*>)$/',$tempstr,$temp)?true:false;

if($bSingleTag){
//将块压到目标数组中 是单标签
array_push($this->BlockArr,array(HTML_SINGLE_TAG,$tagname,array($posL,$posR-$posL+1)));
}
else{
//将块压到目标数组中 是开始标签或没正确闭合的标签
array_push($this->BlockArr,array(HTML_TAG_ST,$tagname,array($posL,$posR-$posL+1)));
}
break;
case HTML_TAG_END:
//提取标签名
$tagname = preg_match("/<\s*\/\s*(\w+)/i",$tempstr,$temp) ? strtolower($temp[1]):"ENDerror";
if("ENDerror"==$tagname){
array_push($this->BlockArr,array(HTML_TEXT,"",array($posL,$posR-$posL+1)));
}
else{
array_push($this->BlockArr,array(HTML_TAG_END,$tagname,array($posL,$posR-$posL+1)));
}
break;
case HTML_COMMENT:
//直接将当前块的内容压到目标数组中
array_push($this->BlockArr,array(HTML_COMMENT,"",array($posL,$posR-$posL+1)));
break;
default:break;
}
//闭合 <
$bLSBracketStart = false;
$bTextStart = true;
$type = 0;
//为文本做准备
$posL = $i+1;
}
}
}
function MarkSingleTag(){
$bMatched = false;
for($i=0;$i<count($this->BlockArr)-1;$i++){
if(HTML_COMMENT == $this->BlockArr[$i][0]||HTML_TEXT == $this->BlockArr[$i][0]||HTML_SINGLE_TAG == $this->BlockArr[$i][0]||"div" == $this->BlockArr[$i][1]){
continue;
}
//开始标签
if(HTML_TAG_ST == $this->BlockArr[$i][0]){
array_push($this->Zhan,$i);
}
//结束标签
else{
for($j = count($this->Zhan)-1;$j>=0;$j--){
if($this->BlockArr[$this->Zhan[$j]][1]==$this->BlockArr[$i][1]){
$bMatched = true;
for($k = count($this->Zhan)-1;$k>=0;$k--){
if($this->BlockArr[$this->Zhan[$k]][1]!=$this->BlockArr[$i][1]){
//没关闭的标签
$this->BlockArr[$this->Zhan[$k]][0]=HTML_SINGLE_TAG;
array_pop($this->Zhan);
}
else{
array_pop($this->Zhan);
break;
}
}
}
if($bMatched){
break;
}
}

if(false==$bMatched){
$this->BlockArr[$i][0]=HTML_SINGLE_TAG;
}
$bMatched = false;
}
}
}
//获取开始标签或单标签的属性数组
//预处理 私有不可访问
private function GetAttributes($str){
$AttrArr = array();
//属性字符串提取
$AttrStr = preg_match("/<\s*?[a-zA-Z][a-zA-Z0-9]+?\s+?([^>]*?)[>]/",$str,$temp)?$temp[1]:"";
//化为kv数组
preg_match_all('/\s*?([a-zA-Z]+[-]?[a-zA-Z0-9]+)\s*?[=][\s]*?[\'\"]?([^\'\"]+)[\'\"]?\s*?/',$AttrStr,$match);
for($i=0;$i<count($match[0]);$i++){
$AttrArr[$match[1][$i]] = $match[2][$i];
}
return $AttrArr;
}
public function BeginParser(){
//加载html源码
$this->LoadHTML();
//html分块
$this->Split2Block();
//寻找单标签
$this->MarkSingleTag();
//之前的代码 测试调用 重写父函数抽象方法 的结果
//不过这个版本的每个BlockArr的块中 最后面的不是字符串而是array($index,$length)保存在字符串在原html中的下标和长度
for($i=0;$i<count($this->BlockArr);$i++){
switch($this->BlockArr[$i][0]){
case HTML_TAG_ST:
$this->level=$this->level+1;
$this->StartTag($this->BlockArr[$i][1],$this->GetAttributes(substr($this->htmlcode,$this->BlockArr[$i][2][0],$this->BlockArr[$i][2][1])));

break;
case HTML_TAG_END:
$this->EndTag($this->BlockArr[$i][1]);
$this->level=$this->level-1;
break;
case HTML_SINGLE_TAG:
$this->SingleTag($this->BlockArr[$i][1],$this->GetAttributes(substr($this->htmlcode,$this->BlockArr[$i][2][0],$this->BlockArr[$i][2][1])));
break;
case HTML_TEXT:
$this->TextBlock(substr($this->htmlcode,$this->BlockArr[$i][2][0],$this->BlockArr[$i][2][1]));
break;
case HTML_COMMENT:
break;
default:break;
}
}
}
//遇到开始标签时调用
abstract function StartTag($tagname,$attrArr);
//遇到结束标签时调用
abstract function EndTag($tagname);
abstract function SingleTag($tagname,$attrArr);
//遇到文本时调用
abstract function TextBlock($txt);
}

//例子
/*
class newparser extends parser{
public $bMainStart = false;
public $levelpos=0;
public $title="";
public $btitle= false;
function StartTag($tagname,$attr){
if($tagname=="title"){
$this->btitle = true;
}
if($tagname=="div" && isset($attr["class"])){
if($attr["class"]=="article"){
$this->bMainStart = true;
$this->levelpos = $this->level;
}
}
}
function EndTag($tagname){
if($tagname=="title"){
$this->btitle = false;
}
if($tagname=="div" && $this->level==$this->levelpos && $this->bMainStart){
$this->bMainStart = false;
}
}
function SingleTag($tagname,$attr){
//if(!empty($attr) && $this->bMainStart)
//var_dump($attr);
}
function TextBlock($str){
if($this->btitle && $this->title==""){
$this->title = $str;
echo "title:".$this->title."<br/>";
}
if($str=="点击查看专题"){
$this->bMainStart = false;
}
if($this->bMainStart)
echo $str."<br/>";
}
}
$parser1 = new newparser("http://news.xinhuanet.com/politics/2015-12/27/c_1117591851.htm");
$parser1->BeginParser();
*/
?>

采集百度百家文章的代码：

<?php
header("Content-type: text/html; charset=utf-8");
require_once("../lib/connect.php");
require_once("../lib/htmlparser.php");
require_once("../lib/res2abs.php");
require_once("../lib/downimage.php");
/*
时间:2015-12-31 20:02:32
修改:2016-01-06 18:21:49
作者:阮家友
QQ:1439120442
*/
class newparser extends parser{
public $bMainStart = false;
public $levelpos=0;
public $title="";
public $content="";
public $btitle= false;
public $bScript = false;
public $biframe = false;
function StartTag($tagname,$attr){
//echo("ST:".$tagname." level=".$this->level."<br/>");
//var_dump($attr);
if($tagname=="h1" && $this->title==""){
$this->btitle = true;
}
if($tagname=="script"){
$this->bScript = true;
}
if($tagname=="iframe"){
$this->biframe = true;
}
if($tagname=="div"&&isset($attr["class"])&&$attr["class"]=="copyright"){
$this->bMainStart = false;
}
if($this->bMainStart&&$this->bScript==false&&$this->biframe==false){
$str="<".$tagname." ";
foreach($attr as $k=>$v){
$str.=$k.'"='.$v.'" ';
}
$str.=">";
$this->content.=$str;
}
if($tagname=="div" && isset($attr["class"])&&$attr["class"]=="article-detail"){
$this->bMainStart = true;
$this->levelpos = $this->level;
}
}
function EndTag($tagname){
//echo("END:".$tagname." level=".$this->level."<br/>");
if($tagname=="h1"){
$this->btitle = false;
}
if($this->bMainStart&&$this->bScript==false&&$this->biframe==false){
$this->content.="</".$tagname.">";
}
if($tagname=="div" && $this->level==$this->levelpos && $this->bMainStart){
$this->bMainStart = false;
}
if($tagname=="script"){
$this->bScript = false;
}
if($tagname=="iframe"){
$this->biframe = false;
}
}
function SingleTag($tagname,$attr){
//echo("single:".$tagname."<br/>");
if($this->bMainStart&&$tagname!="img"){
$str="<".$tagname." ";
foreach($attr as $k=>$v){
$str.=$k.'="'.$v.'" ';
}
$str.="/>";
$this->content.=$str;

}
if($this->bMainStart&&$tagname=="img"&&$this->bScript==false&&$this->biframe==false){
$str = "<".$tagname." ";
foreach($attr as $key=>$v){
if($tagname=="img"&&$key=="src"){
$v = res2abs($v,$this->path);//获取图片绝对路径
//下载
grabImage($v);
}
$str .= $key."='".$v."'";
}
$str .=" />";
$this->content.=$str;
}
}
function TextBlock($str){
//echo($str."<br/>");
if($this->btitle){
$this->title = $str;
}
if($this->bMainStart&&$this->bScript==false&&$this->biframe==false){
$this->content.=$str;
}
}
}

if(isset($_GET["url"])){
$parser1 = new newparser($_GET["url"]);
$parser1->BeginParser();

$result = array();
$result["title"] = $parser1->title;
$result["content"] = $parser1->content;
//输出json
echo(json_encode($result));
//var_dump($result);
}
else{
$parser1 = new newparser("http://synchuman.baijia.baidu.com/article/287343");
$parser1->BeginParser();
}
?>

图片相对路径转绝对路径：用于下载图片，如果本身是绝对路径则没影响

<?php
/*
//test
$a = 'http://www.abc.com/a/index.html';
$b = '../abc/a.js';
echo res2abs($b, $a);
*/
function res2abs($srcurl, $baseurl) {
$srcinfo = parse_url($srcurl);
if(isset($srcinfo['scheme'])) {
return $srcurl;
}
$baseinfo = parse_url($baseurl);
$url = $baseinfo['scheme'].'://'.$baseinfo['host'];
if(substr($srcinfo['path'], 0, 1) == '/') {
$path = $srcinfo['path'];
}else{
$path = dirname($baseinfo['path']).'/'.$srcinfo['path'];
}
$rst = array();
$path_array = explode('/', $path);
if(!$path_array[0]) {
$rst[] = '';
}
foreach ($path_array AS $key => $dir) {
if ($dir == '..') {
if (end($rst) == '..') {
$rst[] = '..';
}elseif(!array_pop($rst)) {
$rst[] = '..';
}
}elseif($dir && $dir != '.') {
$rst[] = $dir;
}
}
if(!end($path_array)) {
$rst[] = '';
}
$url .= implode('/', $rst);
return str_replace('\\', '/', $url);
}
?>

下载图片的源码：取名是当前年月日时分秒+4位随机数(0-9a-zA-Z)

<?php
header("Content-type:text/html ; charset=utf-8");
date_default_timezone_set('prc');
//下载图片函数
function grabImage($url,$filename=""){
if ($url == "") return false;
if($filename == "") {
$ext=strrchr($url,"."); //获取扩展名
$ext_arr = array(".gif",".png",".jpg",".bmp");
//判断扩展名是否为图片
if (!in_array($ext, $ext_arr)) return false;
$str = "../resource/images/".date("Ymd");
if(!is_dir($str)){
$res=mkdir(iconv("UTF-8", "GBK", $str),0777,true/*表示创建多级目录*/);//$res = true success false failed
}
$str.="/".date("His").GetRandStr(4);
$filename = $str.$ext;
}
ob_start(); //打开浏览器的缓冲区
readfile($url); //将图片读入缓冲区
$img = ob_get_contents(); //获取缓冲区的内容复制给变量$img
ob_end_clean(); //关闭并清空缓冲
$fp = @fopen($filename,"a"); //将文件绑定到流
fwrite($fp,$img); //写入文件
fclose($fp); //关闭文件之争
return $filename;
}
function GetRandStr($len)
{
$chars = array(
"a", "b", "c", "d", "e", "f", "g", "h", "i", "j", "k",
"l", "m", "n", "o", "p", "q", "r", "s", "t", "u", "v",
"w", "x", "y", "z", "A", "B", "C", "D", "E", "F", "G",
"H", "I", "J", "K", "L", "M", "N", "O", "P", "Q", "R",
"S", "T", "U", "V", "W", "X", "Y", "Z", "0", "1", "2",
"3", "4", "5", "6", "7", "8", "9"
);
$charsLen = count($chars) - 1;
shuffle($chars);
$output = "";
for ($i=0; $i<$len; $i++)
{
$output .= $chars[mt_rand(0, $charsLen)];
}
return $output;
}
//echo GetRandStr(4);//R6KS
//$str = "../resource/images/".date("Ymd");
//创建目录
//判断目录存在否
//if(!is_dir($str)){
//    $res=mkdir(iconv("UTF-8", "GBK", $str),0777,true/*表示创建多级目录*/);//$res = true success false failed
//}
//$str.="/".date("His").GetRandStr(4);
//echo($str);
//grabImage("http://news.xinhuanet.com/world/2015-12/31/128583824_14515167854501n.jpg",$str.".jpg");
?>

采集的记录



某次记录的预览：



数据库的字段自行设置。

还有，这些都只是单页采集。输入url，并且选择采集模型，先预览，然后入库（添加记录）

我只是自己采集一些人为重要的新闻或文章，如果大家要自动采集某个网站得自己做修改。下图的编辑器是百度的UEditor。