最近的一个项目有关网站图标爬取，以是将一些履历点及办理办法分享出来。
favicon图标先容
favicon.ico一样平常用于网站logo标志，它显示在浏览器的地址栏、浏览器标签上或者在收藏夹上，是展示网站个性的缩略logo标志。
浏览器是怎么得到网站图标的？
浏览器首先会剖析要求的网址源代码的head部分，找到带有rel=\公众icon\"大众属性的link元素，个中href属性便是图标地址，但是并不是所有网站都会设置这一项，有些网站喜好直接将favicon.ico放在根目录下，便于SEO优化。由于搜索引擎爬虫会在网站根目录考试测验要求favicon.ico，久而久之，潜移默化就变成了行业规范。理解了网站图标的获取源后，抓取思路就有了。
暴力要求
不管你网站根目录有没有favicon.ico，我便是要抓，至于能不能抓到，碰尝尝看再说（毕竟这个运气概率还是非常高的）。以我们官网(https://www.kunquer.com)为例，PHP抓取代码如下：
$url = 'https://www.kunquer.com';$content = file_get_contents($url.'/favicon.ico');
请体谅我不把代码一次性放出来，毕竟要讲得详细才够味（还有凑凑文章字数好交差）。怎么判断抓取回来的内容便是图标呢？大概只是一个404页面？保存内容到本地文件后，通过getimagesize()函数就能判断出来：
$file = tmpfile();$path = stream_get_meta_data($file)['uri'];file_put_contents($path, file_get_contents($Pea->url.'/favicon.ico'));var_dump(getimagesize($path));
顺利的话，将会打印出如下内容：
array(6) { [0]=> int(48) [1]=> int(48) [2]=> int(17) [3]=> string(22) \公众width=\"大众48\公众 height=\公众48\公众\"大众 [\"大众bits\公众]=> int(32) [\公众mime\"大众]=> string(24) \"大众image/vnd.microsoft.icon\公众 }
以上例子不可能不顺利，由于我们官网根目录下是有这个文件的哈哈哈嗝。为了后续演出(不对是另一种情形)能演示下去，我们以虾米网为例，访问xiami.com/favicon.ico，得到以下回馈：
很好！
我们可以开始下一步了。
剖析网页源码
当暴力要求无果后，只好通过抓取页面，剖析个中源码来获取图标了，由于图标是放在head部分的link中，通过设置rel=\"大众icon\"大众或者 rel=\"大众shortcut icon\公众 来让浏览器识别，我们也只须要找出这个部分的href，剖析匹配代码如下：
$base = 'http://xiami.com';preg_match('/<head>(.?)<\/head>/is', file_get_contents($base), $head);if(isset($head[1])) { preg_match_all('/<link[^>]+>/is', $head[1], $links); if(isset($links[0]) && is_array($links[0])) { foreach($links[0] as $link) { // 查找rel中包含icon标识的图片路径 if(preg_match('/rel=(\"大众|\')?(icon\w?|\w+\s+icon)(\"大众|\')?/i', $link)) { var_dump($link); } } } }
（恐格式有误，截图以供参考）
以上，为了探求原形，通过一步步缩小查找范围，我们得到结果：
string(102) \"大众<link rel=\"大众icon\公众 type=\"大众image/png\"大众 href=\公众//img.alicdn.com/tfs/TB1qP4zgY5YBuNjSspoXXbeNFXa-550-550.png\公众>\"大众
没错，个中的href部分便是我们要的图标：
preg_match('/([^\"大众\s><]\.(ico|png|jpg))/i', $link, $url);echo $url[1];
运行结果：
//img.alicdn.com/tfs/TB1qP4zgY5YBuNjSspoXXbeNFXa-550-550.png
末了一步我们只须要再次发起对上面结果地址的要求，就可以保存到本地了，但在这之前，我们须要对结果地址轻微做些补全调度：
if(preg_match('/^http(s):\/\//', $url[1])) { // 完全路径 $url = $url[1];} elseif(preg_match('/^\/{2}\w+/', $url[1])) { // 双//打头 $url = 'http:'.$url[1];} else { // 相对路径 $url = $base.'/'.ltrim($url[1], '/');}
（恐格式有误，截图以供参考）
末了放上完全代码：
<?php$url = 'http://xiami.com';$file = tmpfile(); // 创建一个临时文件，用来保存图标$path = stream_get_meta_data($file)['uri'];$extension = 'ico'; // 图标后缀$context = stream_context_create(['http' => ['timeout' => 15]]);file_put_contents($path, file_get_contents($url.'/favicon.ico', null, $context));if(!getimagesize($path)) { // 根目录下没有favicon.ico preg_match('/<head>(.?)<\/head>/is', file_get_contents($Pea->url, null, $context), $head); if(!isset($head[1])) { // 非标准格式页面 $path = false; } else { $Fulfill = function($base, $url) { if(preg_match('/^http(s):\/\//', $url)) { // 完全路径 return $url; } elseif(preg_match('/^\/{2}\w+/', $url)) { // 双//打头：//s1.music.126.net/style/favicon.ico return 'http:'.$url; } else { // 相对路径 return $base.'/'.ltrim($url, '/'); } }; $found = false; // 是否查找到 preg_match_all('/<link[^>]+>/is', $head[1], $links); if(isset($links[0]) && is_array($links[0])) { foreach($links[0] as $link) { // 查找rel中包含icon标识的图片路径 if(preg_match('/rel=(\"大众|\')?(icon\w?|\w+\s+icon)(\"大众|\')?/i', $link)) { preg_match('/([^\"大众\s><]\.(ico|png|jpg))/i', $link, $url); if(isset($url[1])) { file_put_contents($path, file_get_contents($Fulfill($url, $url[1]), null, $context)); if(getimagesize($path)) { $found = true; $extension = $url[2]; } } } } } if(!$found) $path = false; }}if($path) { // @todo 将文件转移到做事器存储目录等}
（恐格式有误，截图以供参考）
祝大家节日快乐，以上。
给你代码往期回顾：
给你代码：如何压制MySQL主键值非连续增长
给你代码：自建外贸站之PayPal支付集成
给你代码：网站微信登录接入
