拍拍尘土

<?php
          
          /**
          * 微信公众号文章爬取类
          * 使用方法：
          * $crawler = new WxCrawler();
          * $content = $crawler->crawByUrl($url);
          */
          class WxCrawler
          {
           /** @var 代理 */
           protected $agent = [
           "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; AcooBrowser; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
           "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0; Acoo Browser; SLCC1; .NET CLR 2.0.50727; Media Center PC 5.0; .NET CLR 3.0.04506)",
           "Mozilla/4.0 (compatible; MSIE 7.0; AOL 9.5; AOLBuild 4337.35; Windows NT 5.1; .NET CLR 1.1.4322; .NET CLR 2.0.50727)",
           "Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)",
           "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
           "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
           "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
           "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
           "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527 (KHTML, like Gecko, Safari/419.3) Arora/0.6",
           "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
           "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
           "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5",
           "Mozilla/5.0 (X11; U; Linux i686; en-US; rv:1.9.0.8) Gecko Fedora/1.9.0.8-1.fc10 Kazehakase/0.5.6",
           "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/535.11 (KHTML, like Gecko) Chrome/17.0.963.56 Safari/535.11",
           "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_7_3) AppleWebKit/535.20 (KHTML, like Gecko) Chrome/19.0.1036.7 Safari/535.20",
           "Opera/9.80 (Macintosh; Intel Mac OS X 10.6.8; U; fr) Presto/2.9.168 Version/11.52",
           ];
           public $host = '';
           public $header = '';
           public $referer = '';
           public $antiLeech = '';
          
           public function __construct($host='', $referer='', $proxy=false)
           {
           /** @var 初始化curl信息 */
           $this->header = $this->agent[rand(0,count($this->agent) - 1)];
           $this->referer = empty($referer)?'http://weixin.sogou.com/' : $referer;
           $this->host = empty($host)?'weixin.sogou.com' : $host;
           /** @var 处理微信图片的防盗链 */
           $this->antiLeech = 'http://'.$_SERVER['SERVER_NAME'].'/admin.php/tool/wechat-img?url=';
           }
           /**
           * 爬取内容
           * @author bignerd
           * @since 2016-08-16T10:13:580800
           * @param $url
           */
           public function _get($url)
           {
           $ch=curl_init($url);
           $options = [
           CURLOPT_USERAGENT => $this->agent,
           CURLOPT_REFERER => $this->referer,
           ];
           curl_setopt_array($ch,$options);
           curl_setopt($ch,CURLOPT_RETURNTRANSFER,true);
           curl_setopt($ch,CURLOPT_BINARYTRANSFER,true);
           curl_setopt($ch,CURLOPT_TIMEOUT,60);
          
           $output=curl_exec($ch);
          
           return $output;
           }
           public function crawByUrl($url)
           {
           $content = $this->_get($url);
           $basicInfo = $this->articleBasicInfo($content);
           list($content_html, $content_text) = $this->contentHandle($content);
          
           return array_merge($basicInfo,['content_html' => $content_html,'content_text' => $content_text]);
           }
           /**
           * 处理微信文章源码，提取文章主体，处理图片链接
           * @author bignerd
           * @since 2016-08-16T15:59:270800
           * @param $content 抓取的微信文章源码
           * @return [带图html文本，无图html文本]
           */
           public function contentHandle($content)
           {
           $content_html_pattern = '/<div class="rich_media_content " id="js_content">(.*?)<\/div>/s';
           preg_match_all($content_html_pattern, $content, $html_matchs);
           $content_html = $html_matchs[0][0];
           /** @var 带图片html文本 */
           $content_html = preg_replace_callback('/data-src="(.*?)"/', function($matches){
           return 'src='.$this->antiLeech.urlencode($matches[1]);
           }, $content_html);
           /** @var 无图html文本 */
           $content_text = preg_replace('/<img.*?>/s','',$content_html);
          
           return [$content_html,$content_text];
           }
           /**
           * 获取文章的基本信息
           * @author bignerd
           * @since 2016-08-16T17:16:320800
           * @param $content 文章详情源码
           * @return $basicInfo
           */
           public function articleBasicInfo($content)
           {
           //待获取item
           $item = [
           'ct' => 'date',//发布时间
           'msg_title' => 'title',//标题
           'msg_desc' => 'digest',//描述
           'msg_link' => 'content_url',//文章链接
           'msg_cdn_url' => 'cover',//封面图片链接
           'nickname' => 'wechatname',//公众号名称
           ];
           $basicInfo = [
           'author' => '',
           'copyright_stat' => '',
           ];
           foreach ($item as $k => $v) {
           $pattern = '/ var '.$k.' = "(.*?)";/s';
           preg_match_all($pattern,$content,$matches);
           if(array_key_exists(1, $matches) && !empty($matches[1][0])){
           $basicInfo[$v] = $this->htmlTransform($matches[1][0]);
           }else{
           $basicInfo[$v] = '';
           }
           }
           /** 获取作者 */
           preg_match('/<em class="rich_media_meta rich_media_meta_text">(.*?)<\/em>/s', $content, $matchAuthor);
           if(!empty($matchAuthor[1])) $basicInfo['author'] = $matchAuthor[1];
           /** 文章类型 */
           preg_match('/<span id="copyright_logo" class="rich_media_meta meta_original_tag">(.*?)<\/span>/s', $content, $matchType);
           if(!empty($matchType[1])) $basicInfo['copyright_stat'] = $matchType[1];
          
           return $basicInfo;
           }
           /**
           * 特殊字符转换
           * @author bignerd
           * @since 2016-08-16T17:30:520800
           * @param $string
           * @return $string
           */
           public function htmlTransform($string)
           {
           $string = str_replace('&quot;','"',$string);
           $string = str_replace('&amp;','&',$string);
           $string = str_replace('amp;','',$string);
           $string = str_replace('&lt;','<',$string);
           $string = str_replace('&gt;','>',$string);
           $string = str_replace('&nbsp;',' ',$string);
           $string = str_replace("\\", '',$string);
           return $string;
           }
          }
          
          ?>