如何优雅的扒网站——工具篇

 

         在上一篇文章里本人介绍了扒网站的入门知识。可以说是仿站的必备知识。不过，在实战中没必要所有的页面都要全部手动去操作处理，完全可以借助大牛们写好的工具。网上搜索仿站工具或扒站工具能找到一堆，我就不一一介绍了。今天就分为两个部分来讲一讲扒站工具，第一部分是针对单页面的，第二部分是针对整站的。不要以为有了整站下载工具第一部分就可以跳过。目前为止我还没有找到一款完美的整站下载工具，大部分都要很繁锁地处理代码。所以除非页面很多，不然真不如单个页面分别抓取更快捷一些。

         第一个工具是抓取单网页的。

         每个软件的名称不一样，但是使用方法都是大同小异。我在这里就拿这个仿站工具举例了。首先打开软件，添加要抓取的网页地址，再点击下一步。

        

         然后，选择好存放站点文件的目录，点击开始下载，等待下载完成即可。

 

        

         到这一步已经完成，打开选择的存放目录，你需要的文件已经按image,css,js分类好了，其中image是页面引用的图片，picture是css中引用的图片。是不是soeasy.

 

         第二部分是整站下载

         感觉整站下载是个高大上的手段，能把别人的网站整个剽窃下来。不过下面的步骤可能会令你有些失望。因为我使用的这个工具有太多不尽人意之处，比如说html,css,js没有美观的分类，html命名莫名地冗长，背景图片的无端丢失，还有软件商植入的标签痕迹。带着这些问题点我们要一一解决掉。

         先给这个工具来个特写吧，我是没有花钱直接下载的注册版，估计花钱购买的会更好用一些。

        

         首先在菜单栏，依次选择文件-新建项目向导，在弹出框里点击下一步。

         然后，还是傻瓜式的操作。填写上要抓的网站地址，当然是写网站首页。链接深度不用管用默认的3就可以，接着点下一步。

        

         接下来还是下一步，如果有账号密码就填上，没有就忽略。

        

         一路点完成后，会提示选择存放路径。然后配置步骤就算完成了。然后激动人心的时刻来了，点击工具栏的三角图标。整站下载就开始了，等一两分钟，提示下载完成。

 

         不要以为这就算结束了，这才刚刚开始。你也看到了，所有文件都放在一个目录里。而且我已经按照类型排序，还是如此混乱。幸好是只有两个页面，如果多的话那要乱成什么样子。下面的工作就是处理我一开始说的各种问题，包括统一命名。因为如果有子页面的话，他会用特别长的字符来命名。

1.      按类型分类。

按类型分类是个很好的习惯，强列建议把这一步放在第一位，谨记分类后把页面的引入路径批量调整下。

 

         2．使用正则去掉tppabs标记

                  

                   如果你用的工具没有这种流氓行为那么可以忽略这一步。如果有那么我们就需要使用正则来批量替换了。这应该是特别简单的正则了，具体语句和替换方式请根据使用工具和文本编辑软件来使用，这里以sublime作参考，tppabs="[^"]+"。

        

  3．使用脚本下载css中的背景图片。

          上面提到过了，这个工具会漏掉css文件中的背景图片文件。那么我们就需要单独写个脚本来下载图片了。至于用什么脚本看你擅长什么了。我用的是php，所以用php脚本作参考。同第一步一样，下载好以后，记得把引入的文件路径与实际路径对应上。

  

$root_url = 'http://m.enjoyfin.com/statics/css/'; //原存放css文件的根目录
    $pic_bac  = 'http://m.enjoyfin.com/statics/';     //原存放背景图片的根目录
    $webs = array(
            'style.css',
            'swiper.css'
            );
    echo "<pre>";
    foreach($webs as $k=>$v)
    {
        $url = $root_url.$v;
        $contents = file_get_contents($url);
        if(preg_match_all("/background:url\(\.\.\/(.+)\)\s+no-repeat/",$contents,$new)){
        //print_r($new[1]);
              foreach ($new[1] as $key => $value) {
                  $pic_url = $pic_bac.$value;
                  $new_url = './images/'.substr(strrchr($value, '/'), 1);
                  
                  echo "<br>";
                  $content = file_get_contents($pic_url);
                file_put_contents($new_url,$content);
                echo $new_url;
              }
        }else{
               echo '未找到';
        }
    }

 

4．批量命名文件

不嫌麻烦的话手动重命名未尝不可，我在这里只是提供一个思路，肯定会有更好的方法。

首先打开cmd,进入存放html文件的目录，使用dir /b>abc.xls  命令把所有文件导出到abc.xls的excel表格里。然后，使用分列，合并等等方法，把每一条内容变成

 

rename "index.php-m=content&c=index&a=show&catid=9&id=9.htm" "catid=9id=9.htm"  // 重命名文件

 

类似这样一条命令，再把命令脚本全都放在一个记事本里，保存成bat拓展名的可执行脚本放在Html文件目录，双击执行就ok了。当然还有关键的一步，把html文件中的引入路径，链接路径批量替换一下。

 

 

         以上就是抓取单页面和整站使用工具的方法，如果任性可以去购买收费软件。如果穷逼或是练手，那么不妨一试吧。