FAQ's de PHP

[fran86]

Tema: Expresiones regulares/Archivos HTML
Pregunta: ¿Como leer un a pagina web y sacar las imagenes
Con las siguiente funcion podemos hacerlo:

Código PHP:

  /** 
* Imagenes de un archivo HTML 
*  
* Examina un archivo HTML en busca de sus imagenes para 
* luego devolver su direccion relativa. 
*  
* @author  fran86       <[email protected]> 
* @param   string       $archivo      Path correspondiente al HTML a examinar. 
* @param   bool         $norepetidos  Opcional para no repetir las imagenes. 
* @return  array|false  Array con los paths relativos de las imagenes 
*  
*/ 
function imagenesHTML($archivo, $norepetidos = true) 
{ 
    $contenido = file($archivo); 
    $contenido = array_map("trim", $contenido); 
    $contenido = implode(" ", $contenido); 
 
    if ( preg_match_all('/<img([^<>]+)>/i', $contenido, $match) ) { 
            foreach($match[1] as $atributos) { 
                if ( preg_match('/src="([^"]+)"/i', $atributos, $matchpaths) ) { 
                    $pathimgs[] = $matchpaths[1]; 
                } elseif ( preg_match('/src=([^ ]+)/i', $atributos, $matchpaths) ) { 
                    $pathimgs[] = $matchpaths[1];         
                } 
                unset($matchpaths); 
            } 
    } 
    if ( !empty($pathimgs) ) { 
        if ($norepetidos) { 
            return array_unique($pathimgs); 
        } else { 
            return $pathimgs; 
        } 
    } else { 
        return false; 
    } 
}  
   

Que la utilizamos de este modo:

Código PHP:

  $paths = imagenesHTML("http://www.forosdelweb.com/s/foro18.html");  // Ahora $paths es un array que contiene las direcciones (relativas) de todas las imagenes que aparecen en la pagina http://www.forosdelweb.com/s/foro18.html  
   

Explicacion breve:

1. Leemos el archivo con file() hacia un array y lo transformamos a una cadema con implode() (*)
2. Aplicamos el patron '/<img([^<>]+)>/i' con preg_match_all() para buscar todos los tags <img XXX >. Notar que se utiliza /i al final para realizar una busqueda que no distinga mayusculas/minusculas.
3. Recorremos el array que resulta de la operacion anterior y aplicamos 2 patrones posibles que serviran para cazar el path del atributo SRC (dentro de <img>) este o no entre comillas.

(*)
Para abrir paginas "externas" (que empiezan con http://blablabla) es necesario setear allow_url_fopen = ON en el PHP.INI (http://ar2.php.net/manual/en/ref.fil...llow-url-fopen)