PHP 網頁快照類實作：含快取機制、相對路徑轉絕對與腳本過濾

前言：為何需要網頁快照？

網頁快照（Web Snapshot）技術常用於搜尋引擎索引、離線閱讀、內容備份、跨域內容代理等場景。本文介紹一個功能完整的 snap 類別，支援快取過期控制、HTML 內容清理（移除 Script）、相對 URL 自動轉絕對路徑，並提供詳細除錯日誌。

類別架構總覽

<?php
class snap {
    // 核心屬性
    private $dir;        // 快取目錄
    private $log;        // 除錯日誌
    private $contents;   // 最終輸出內容
    private $filename;   // 快取檔案路徑
    private $host;       // 目標站點基礎 URL
    private $name;       // 快取檔名（MD5）
    private $data_ts;    // 快取檔修改時間
    private $ttl;        // 快取存活秒數
    private $url;        // 目標 URL
    private $ts;         // 時間差

    public function __construct() {
        $this->log = "New snap() object instantiated.
\n";
        $this->dir = dirname(__FILE__) . '/';
    }

    // ... 核心方法詳見下文
}
?>

核心流程：fetch() 方法

public function fetch($url = '', $ttl = 10) {
    $this->log .= "--------------------------------
fetch() called
\n";
    $this->log .= "url: {$url}
\n";

    if (empty($url)) {
        $this->log .= "OOPS: You need to pass a URL!
\n";
        return false;
    }

    // 解析目標主機
    $hosts = parse_url($url);
    $this->host = $hosts['scheme'] . '://' . $hosts['host'] . '/';

    $this->ttl = $ttl;
    $this->url = $url;
    $this->name = md5($this->url);
    $this->filename = $this->dir . $this->name;
    $this->log .= "Filename: {$this->filename}
\n";

    $this->getFile_ts();      // 取得快取檔時間
    $this->file_get_content(); // 讀取內容（快取或遠端）

    return true;
}

智慧快取機制：file_get_content()

private function file_get_content() {
    ob_start();
    $this->ts = time() - $this->data_ts;

    // 快取存在且未過期 → 讀取本地快取
    if ($this->data_ts !== 0 && $this->ts <= $this->ttl) {
        $this->log .= "cache has expired
\n"; // 註：原碼邏輯文字與條件相反，實際為「未過期」
        @readfile($this->filename);
        $this->contents = ob_get_contents();
        ob_end_clean();
    }
    // 快取不存在或已過期 → 抓取遠端並更新快取
    else {
        $this->log .= "cache hasn't expired
\n"; // 同上，實際為「需更新」
        @readfile($this->url);
        $this->contents = ob_get_contents();
        ob_end_clean();
        $this->saveToCache();
    }
    return true;
}

⚠️ 注意：原始碼的日誌訊息與邏輯判斷文字相反，實際執行流程正確。建議修正日誌文字避免誤導。

快取寫入與內容處理：saveToCache()

private function saveToCache() {
    $this->log .= "saveToCache() called
\n";

    if (!$fp = @fopen($this->filename, 'w')) {
        $this->log .= "Could not open {$this->filename}
\n";
        return false;
    }

    // 核心處理：相對路徑轉絕對 + 移除 Script 標籤
    $this->contents = $this->formaturl($this->contents, $this->host);
    $this->contents = preg_replace("']*?>.*?'si", '', $this->contents);

    if (!@fwrite($fp, $this->contents)) {
        $this->log .= "Could not write to {$this->filename}
\n";
        fclose($fp);
        return false;
    }
    fclose($fp);
    return true;
}

相對 URL 轉絕對路徑核心演算法

formaturl() 與 lIIIIl()（建議重命名為 convertToAbsoluteUrl()）協同工作：

1. 使用複雜正則匹配所有 img[src]、link[href]、a[href] 標籤（雙引號/單引號）。
2. 提取 URL 部分，判斷類型：

• 已是絕對路徑（含 http/https/ftp）→ 保持不變
• 以 / 開頭 → 網域根目錄絕對路徑
• 以 ../ 開頭 → 相對上層目錄，遞迴處理
• 以 ./ 開頭 → 相對當前目錄
• mailto:、javascript: → 保持不變
• 其他 → 視為相對當前路徑

3. 重組完整 URL 並替換回原標籤。

使用範例：test.php

<?php
require_once dirname(__FILE__) . '/snap.class.php';
$h = new snap();
$h->fetch($_GET['url']);
// echo $h->log; // 除錯用
echo $h->contents;
?>

現代化改良建議

總結

snap 類別展示了網頁快照的核心邏輯：抓取 → 處理相對路徑 → 移除腳本 → 快取 → 輸出。雖然正則解析 HTML 有脆弱性，但對於簡單場景仍具參考價值。現代專案建議採用成熟的 HTTP 客戶端與 HTML 解析器，並建立完善的快取與安全防護機制。