1. <!DOCTYPE HTML PUBLIC "-//W3C//DTD HTML 4.01//EN" "http://www.w3.org/TR/html4/strict.dtd">
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=UTF-8" />
<meta name="keywords" content="php,tidy,スクレイピング,API,Webサービス" />
<meta name="description" content="phpによるスクレイピング処理入門" />
<title>phpによるスクレイピング処理入門：はてなfotolifeの情報を取得</title>
<link href="style.css" rel="stylesheet" type="text/css">
</head>
<body>
<?php
define(INIT_URL , "http://f.hatena.ne.jp/");
// 10件ごとに改行する
define(PER_PAGE , 10);
// IMGタグを探す際のキー
define(CHECK_IMG_MARK ,"/images/fotolife/");
// ページ取得時の「< prev」マークを調べる
define(CHECK_PREV_MARK , "prev");
// ページ取得時の「next >」マークを調べる
define(CHECK_NEXT_MARK , "&gt;");
// userIDを探す際URLを「/」で区切った際の5番目(添え字で4)がuserIDの場所
//<img src="/images/fotolife/e/[username]/20070703/20070703104539_m.jpg" alt="egclab&#39;s fotolife">
define(SEARCH_USER_POS , 4);
// データを取得するURLはページによって変わる。
// GETで渡された id を調べる
// $_GET['id']がNULLでなければ
if($_GET['id']<>""){
    // 各ページには50枚づつ写真があるので、50を掛けるが、
    // 実際のページ数との関係は (ページ-1)×50なので、1を引く
    $id = $_GET['id'] - 1;
    $idc = $id * 50;
    // urlはhttp://f.hatena.ne.jp/userlist?of=100
    // という形式なので、下記のように設定する。
    $targetURL = INIT_URL."userlist?of=".$idc;
}else{
    $id = 0;
    // GETメソッドで何も渡されていなければ
    // 下記のようにセット
    $targetURL = INIT_URL."userlist";
}
// よく利用する関数をインクルード
// get_html() 関数 / print_d() 関数
// proxy利用時には、下記のファイルのproxy情報を書き換えてください
include('hatena_fotolife_init.php');
// proxy.phpをインクルード
include('proxy.php');

// tidyオブジェクトから画像情報を取得する
function dump_nodes_fotolife(tidyNode $node, &$urls = NULL) {
    $urls = (is_array($urls)) ? $urls : array();
    if(isset($node->id)) {
    // ここからが実際のスクレイピング処理
        // $node->id が IMGタグだったら
        if($node->id == TIDY_TAG_IMG){
            // IMGタグのsrc属性が CHECK_IMG_MARK( = /images/fotolife/ )
            // を含んでいるか
            $pos = strpos ( $node->attribute['src'] ,CHECK_IMG_MARK);
            // IMGタグのsrc属性が /images/fotolife/ を含んでいれば
            if ($pos === 0){
                // src 属性を 「/」で区切って配列$tmpに格納
                $tmp = explode("/",$node->attribute['src']);
                // useridは5番目の部分なので、$tmp[4]となる
                // defineされている。
                $userid = $tmp[SEARCH_USER_POS];
                // img属性は相対パスで記載されているので、
                // http://f.hatena.ne.jp/ を前にくっつける
                $img = INIT_URL.$node->attribute['src'];
                // user id と imgのパスを配列に格納する。
                $urls[] = array("user" => $userid ,"img" =>$img);
            }
        }
    // ここまでが実際のスクレイピング処理
    }
    // 更に子供のノードが存在すれば、再帰的にdump_nodes_title()を繰り返す
    if($node->hasChildren()) {
        foreach($node->child as $c) {
            dump_nodes_fotolife($c, $urls);
        }
    }
    // 連想配列をリターン
    return $urls;
}

// tidyオブジェクトからページ情報を取得する
function dump_nodes_page(tidyNode $node, &$page = NULL) {
    $page = (is_array($page)) ? $page : array();
    if(isset($node->id)) {
        // $node->id が Aタグだったら
        if($node->id == TIDY_TAG_A){
            // href属性が./userlist?of= を含んでいるか
            $pos = strpos ( $node->attribute['href'] ,"./userlist?of=");
            // href属性が./userlist?of= を含んでいたら
            if ($pos === 0){
                // $node は <a href="./userlist?of=150">4</a>
                // のようになっているので
                // page_id を 4 の部分 $node->child[0]->value
                // として、配列に格納する。
                // 終端文字列を排除するためrtrimを利用
                $page[] = rtrim ($node->child[0]->value);
            }
        }
    }
    // 更に子供のノードが存在すれば、再帰的にdump_nodes_page()を繰り返す
    if($node->hasChildren()) {
        foreach($node->child as $c) {
            dump_nodes_page($c, $page);
        }
    }
    // 連想配列をリターン
    return $page;
}
// ページナビゲーション表示用
function print_navi($page){
    $pager_head = "";
    $pager_foot = "";
    $pager_body = "";
    // $page内の配列の数だけ繰り返し
    foreach($page as $item){
        switch ($item){
        // prevの場合
        case ( strpos($item , CHECK_PREV_MARK) > 0 ) :
            $pager_head = '<a href="'.$SCRIPT_NAME.'?id='.($_GET['id'] - 1).'">&lt;prev </a>';
        break;
        // nextの場合
        case ( strpos($item , CHECK_NEXT_MARK) > 0) :
            $pager_foot = '<a href="'.$SCRIPT_NAME.'?id='.($_GET['id'] + 1).'">next&gt;</a>';
        break;
        // それ以外
        default:
            $pager_body .= '<a href="'.$SCRIPT_NAME.'?id='.$item.'">'.$item.'</a> ';
        }
    }
    // ページナビゲーションを表示
    echo $pager_head.$pager_body.$pager_foot;
}
// ここからメイン関数
// このページへのリンク
echo '<a href="'.$SCRIPT_NAME.'">TOP</a><br />';
// 取得対象のURLを表示してみる。
echo '<a href="'.$targetURL.'" target="_blank">'.$targetURL.'</a><br />';
// targetURLで指定されたHTMLファイルを取得して$dataに格納
// init.phpにget_html()関数が入っています。
$data = get_html($targetURL);
// Tidy関数で整形する際のおまじない。
// 取得したHTMLファイルの内容をUTF-8の文字コードで$configで
// 指定した設定で、tidyオブジェクトを作成
// $config は hatena_fotolife_init.php で定義
$tidy = tidy_parse_string($data, $config, 'UTF8');
// cleanRepairで整形
$tidy->cleanRepair();
// 作成したtidyオブジェクトのbody要素の内容をdump_nodes_fotolife()に渡す
// $urlsにはuser,imgのペアの配列が格納されて返ってくる。
$urls = dump_nodes_fotolife($tidy->body());
// ページ情報を取得するために、dump_nodes_page()関数を呼び出す
// $page には、page情報が格納されている
$page = dump_nodes_page($tidy->body());
// 現在のページ( $id + 1 )を配列に格納
array_push($page , $id+1);
// 数値としてソート
sort($page,SORT_NUMERIC);
// ページ情報の配列をprint_navi()関数に渡す
print_navi($page);
?>
<div align="center">
<?php
$count = 0;
// 取得した写真を表示する
// $urlsの数だけ foreach する
// ホントはテーブルを使って表示するとよいと思われます。
foreach ($urls as $item){
    // 取得した情報を表示
    // リンク先 : http://f.hatena.ne.jp/ + $item['user']
    // 画像ファイルパス : $item['img']
    echo '<a href="'.INIT_URL.$item['user'].'/" target="_blank"><img src="'.$item['img'].'" border="0" alt="'.$item['user'].'さん" /></a>';
    if (($count+1) % PER_PAGE ==0) echo '<br clear="all" />';
    $count++;
}
?>
</div>
</body>
</html>