Foros del Web » Programando para Internet » PHP »

[Ayuda] Como modificar este Spider

Estas en el tema de [Ayuda] Como modificar este Spider en el foro de PHP en Foros del Web. bueno tengo aqui una clase en la que el espider me extrae el cache, pero yo quiero modificarlo para que me extraiga *link, *url , ...
  #1 (permalink)  
Antiguo 18/10/2009, 17:31
 
Fecha de Ingreso: abril-2009
Mensajes: 24
Antigüedad: 15 años, 7 meses
Puntos: 0
[Ayuda] Como modificar este Spider

bueno tengo aqui una clase en la que el espider me extrae el cache, pero yo quiero modificarlo para que me extraiga *link, *url , *href... de la web.

Que deveria cambiarle??

Código PHP:
<?
set_time_limit
);
class 
spider_man{    
  var 
$limit;    
  var 
$cache;    
  var 
$crawled;    
  var 
$banned_ext;        
function 
spider_man$url$banned_ext$limit )    
{        
$this->start $url ;        
$this->banned_ext $banned_ext ;        
$this->limit $limit ;                
if( !
fopen$url"r") ) return false;        
else 
$this->_spider$url );    
}
function 
_spider$url ){        
$cache = @file_get_contentsurldecode$url ) );        
if( !
$cache ) return false;        
$this->crawled[] = urldecode$url ) ;
preg_match_all( [COLOR="Red"]"aqui para sacar los H re f[/COLOR]"$cache$links );        
if ( 
$links ) :            
foreach ( 
$links[1] as $hyperlink )            
{                
$this->limit--;                
if( ! 
$this->limit  ) return;
if( 
$this->is_valid_exttrim$hyperlink ) ) and !$this->is_crawled$hyperlink ) ) :                    
$this->crawled[] = $hyperlink;                    
echo 
"Crawling $hyperlink<br />\n";                    
unset( 
$cache );                    
$this->_spider$hyperlink );                
endif;            
}        
endif;    
}    
function 
is_valid_ext$url )    {           
foreach( 
$this->banned_ext as $ext )        {            
if( 
$ext == substr$urlstrlen($url) - strlen$ext ) ) ) return false;        
}        
return 
true;    }    
function 
is_crawled$url ){        
return 
in_array$url$this->crawled );    
  }
}
$banned_ext = array(    
".dtd",    
".css",    
".xml",    
".js",    
".gif",    
".jpg",    
".jpeg",    
".bmp",    
".ico",
".rdf",    
".rss");
$spider = new spider_man([COLOR="Red"]'pagina a extraer link'[/COLOR], $banned_ext100 );
print_r$spider->crawled );
?>
Gracias a todos

Última edición por Mercader; 18/10/2009 a las 17:37
Atención: Estás leyendo un tema que no tiene actividad desde hace más de 6 MESES, te recomendamos abrir un Nuevo tema en lugar de responder al actual.
Respuesta




La zona horaria es GMT -6. Ahora son las 21:37.