2009年10月31日 星期六

[分享]PHP版網頁原始碼處理函式

序言

這是我依VB.Net的網頁原始碼處理函式翻過來的PHP版程式，可以取得網頁後，再針對特定標簽進行切割處理。

函式原始碼

我將以下原始碼存在【myClass】目錄的【HTMLParser.php】檔 
<?php
 Class HTMLParser{
  function getHTML($url,$method="GET",$param=NULL,$noCashe=False){
   //$param = array("name" => 'tim',"content" => 'test');
   
   if($noCashe){
    $cashe="Cache-Control: no-cache\r\n";
   }else{
    $cashe="";
   }
   if($method=="GET" and $param!=NULL){
    $data="";
    foreach ($param as $k => $v) {
     if($data!="") $data.="&";
     $data.= "$k=".htmlentities($v);
    }
    $url.="?".$data;
   }
   
   if($method=="POST" and $param!=NULL){
    $data = http_build_query($param);  
    $contentLength="Content-length:".strlen($data)."\r\n";
    $opts = array(
      'http'=>array(
      'method'=>$method,
      'header'=>"User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)\r\n"
        . "Accept-language: zh-tw\r\n"
        . "Content-Typ: application/x-www-form-urlencoded\r\n"
        . $cashe . $contentLength,  
      'content' => $data
      )
    );
   }else{
    $opts = array(
      'http'=>array(
      'method'=>$method,
      'header'=>"User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)\r\n"
        . "Accept-language: zh-tw\r\n"
        . "Content-Typ: application/x-www-form-urlencoded\r\n"
        . $cashe
      )
    );

   }   
   $context = stream_context_create($opts);
   // Open the file using the HTTP headers set above
   return file_get_contents($url, false, $context);
   //return file_get_contents($url);
  }
  //取得網頁的Body區段
  function getHTMLBody($url,$postValue=NULL,$noCashe= False){
   $html=NULL;
   $htmlBody=NULL;
   if($postValue!=NULL){
    $html = $this->getHTML($url,"POST",$postValue,$noCashe);
   }else{
    $html = $this->getHTML($url,"GET", $postValue,$noCashe);
   }
   If(html!=NULL) $this->getHTMLTagContain($html, "body", $htmlBody);
   
   return $htmlBody;
  }
  //取得HTML中第一個符合的標籤內容的指標，並將取得的標籤內容寫入參數中
  function getHTMLTagContain($html,$tag,&$contain=NULL,&$indexEnd= -1){
   $tag = strtolower($tag);
   $contain = NULL;   
   $indexBegin= -1;
   $indexEnd = -1;
   $indexbBegin= -1;
   If($html !=NULL){    
    $indexBegin = strpos(strtolower($html),"<" . $tag);
    if (gettype($indexBegin)!="integer") $indexBegin=-1;
    If($indexBegin > -1){
     $indexbBegin = strpos($html,">",$indexBegin);
     if (gettype($indexbBegin)!="integer"){
      $indexbBegin=-1;
     }else{
      $indexbBegin+=1;
     }
     $findTag=False;
     $indexEnd=$indexbBegin;
     $lastStart=$indexbBegin;
     $stopLimit2 = 9999;
     do{
      $indexEnd=strpos(strtolower($html),"</" . $tag,$indexEnd);
      if(gettype($indexEnd)!="integer") $indexEnd=-1;
      If ($indexEnd > -1){
       if(gettype(strpos(substr($html,$lastStart, $indexEnd - $lastStart),"<" . $tag))=="integer"){
        $lastStart=$indexEnd;
        $indexEnd=$indexEnd+strlen("</" . $tag);       
        $findTag=True;
       }else{
        $findTag=False;
       }
      }else{
       $findTag=False;
      }
      $stopLimit2--;
     }while($findTag AND $stopLimit2>0);
     If ($indexEnd > -1){
      $contain = substr($html,$indexbBegin, $indexEnd - $indexbBegin);
      
      $indexEnd= strpos($html,">",$indexEnd);
      if(gettype($indexEnd)!="integer"){
       $indexEnd=-1;
      }else{
       $indexEnd+=1;
      }
     }
    }
   }
   //echo $contain;
   Return $indexbBegin;
  }
  //取得HTML中第一個符合的標籤屬性的指標，並將取得的標籤內容與該屬性內容寫入參數中
  function getHTMLTagAtt($html,$tag,$attName,&$att=NULL,&$contain=NULL,&$indexEnd= -1){
   $tag = strtolower($tag);
   $attName = strtolower($attName);
   $contain = NULL;
   $att = NULL;
   $indexEnd = -1;  
   $indexBegin= -1;
   $indexaBegin= -1; 
   $indexbEnd = -1;
   If($html !=NULL){
    $indexBegin = 0;
    $stopLimit1 = 9999;
    do{
     $indexbEnd = -1;
     $indexBegin = strpos(strtolower($html),"<" . $tag,$indexBegin);
     if (gettype($indexBegin)!="integer") $indexBegin=-1;
     If($indexBegin > -1){
      $indexbEnd= strpos($html,">",$indexBegin);
      if (gettype($indexbEnd)!="integer") $indexbEnd=-1;
      If($indexbEnd > -1){
       $indexaBegin = strpos(strtolower(str_replace("\"", "'",substr($html,0, $indexbEnd))),$attName . "='",$indexBegin);
       if(gettype($indexaBegin)!="integer") $indexaBegin=-1;
       If($indexaBegin > -1){
        $sign = substr($html,$indexaBegin + strlen($attName . "="), 1);
        $indexaBegin+=strlen($attName . "='");
        $indexaEnd= strpos(substr($html,0, $indexbEnd),$sign,$indexaBegin);
        if(gettype($indexaEnd)!="integer") $indexaEnd=-1;
        If($indexaEnd > -1){
         $att = substr($html,$indexaBegin, $indexaEnd - $indexaBegin);
        }
       }else{
        $indexBegin = $indexbEnd + 1;
        continue;
       }
       $indexbEnd+=1;
      }
      
      $findTag=False;
      $indexEnd=$indexbEnd;
      $lastStart=$indexbEnd;
      $stopLimit2 = 9999;
      do{
       $indexEnd=strpos(strtolower($html),"</" . $tag,$indexEnd);
       if(gettype($indexEnd)!="integer") $indexEnd=-1;
       If ($indexEnd > -1){
        if(gettype(strpos(substr($html,$lastStart, $indexEnd - $lastStart),"<" . $tag))=="integer"){
         $lastStart=$indexEnd;
         $indexEnd=$indexEnd+strlen("</" . $tag);       
         $findTag=True;
        }else{
         $findTag=False;
        }
       }else{
        $findTag=False;
       }
       $stopLimit2--;
      }while($findTag==True AND $stopLimit2>0);    
      If ($indexEnd > -1){
       $contain = substr($html,$indexbEnd, $indexEnd - $indexbEnd);
       $indexEnd= strpos($html,">",$indexEnd);
       if(gettype($indexEnd)!="integer"){
        $indexEnd=-1;
       }else{
        $indexEnd+=1;
       }
      }
     }else{
      break;
     }
     $stopLimit1--;
    }while($att == NULL AND $stopLimit1>0); 
   }
   Return $indexbEnd;
  }
 }
?>

使用範例

<?php
    include 'myClass/HTMLParser.php';
    $htmlParser=new HTMLParser();
    $url = "http://allen080.blogspot.com/2009/05/vbnet20.html";
    //取得整個網頁的HTML
    $htmlAll = $htmlParser->getHTML($url);
    //取得網頁Body的部份
    $htmlBody = $htmlParser->getHTMLBody($url);
    If ($htmlBody!=NULL){
        $indexEnd = strpos($htmlBody,"<span class='item-control blog-admin'>");
        if(gettype($indexEnd)!="integer")    $indexEnd=-1;
        $valueAttribute = NULL;
        $valueContain = NULL;
        If($indexEnd > 0){
            $htmlBody = substr($htmlBody,$indexEnd);
            //取得a標籤1的內容
            $htmlParser->getHTMLTagContain($htmlBody, "span", $valueContain, $indexEnd);
            echo "span標籤的內容: " . $valueContain ."<BR>\n";
            //$htmlBody = substr($htmlBody,$indexEnd);
            //取得a標籤2的內容與href的屬性
            $htmlParser->getHTMLTagAtt($htmlBody, "a", "onclick", $valueAttribute, $valueContain, $indexEnd);
          echo "a標籤的內容與onclick的屬性: " . $valueAttribute ."\t" . ",內容:" . $valueContain;
        }
    }    
?>


執行結果

span標籤的內容:
<a class='quickedit' href='http://www.blogger.com/rearrange?blogID=2698062899592178296&widgetType=HTML&widgetId=HTML1&action=editWidget' onclick='return _WidgetManager._PopupConfig(document.getElementById("HTML1"));' target='configHTML1' title='編輯'>
<img alt='' height='18' src='http://img1.blogblog.com/img/icon18_wrench_allbkg.png' width='18'/>
</a>
<BR>
a標籤的內容與onclick的屬性: return _WidgetManager._PopupConfig(document.getElementById("HTML1"));    ,內容:
<img alt='' height='18' src='http://img1.blogblog.com/img/icon18_wrench_allbkg.png' width='18'/>


總結

這是我為了練習php時寫出的東西~
我個人是覺得滿好用的~
不過有部份邏輯滿複雜的~所以我也不敢保證完全正確或是適用於各種網頁~
如果有人用有發現更好的改進方式請跟我說。


於

沒有留言:

張貼留言