PHP采集利器：Snoopy 试用心得
Snoopy是一个php类，用来模拟浏览器的功能，可以获取网页内容，发送表单。Snoopy正确运行需要你的服务器的PHP版本在4以上，并且支持PCRE（Perl Compatible Regular Expressions），基本的LAMP服务都支持。
一、Snoopy的一些特点:
1.抓取网页的内容 fetch
2.抓取网页的文本内容 (去除HTML标签) fetchtext
3.抓取网页的链接，表单 fetchlinks fetchform
4.支持代理主机
5.支持基本的用户名/密码验证
6.支持设置user_agent, referer(来路), cookies和header content(头文件)
7.支持浏览器重定向，并能控制重定向深度
8.能把网页中的链接扩展成高质量的url(默认)
9.提交数据并且获取返回值
10.支持跟踪HTML框架
11.支持重定向的时候传递cookies，要求php4以上就可以了，由于本身是php一个类，无需扩支持，服务器不支持curl时候的最好选择。
二、类方法:
fetch($URI)
———–
这是为了抓取网页的内容而使用的方法。$URI参数是被抓取网页的URL地址。抓取的结果被存储在 $this->results 中。如果你正在抓取的是一个框架，Snoopy将会将每个框架追踪后存入数组中，然后存入 $this->results。
fetchtext($URI)
—————
本方法类似于fetch()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回网页中的文字内容。
fetchform($URI)
—————
本方法类似于fetch()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回网页中表单内容(form)。
fetchlinks($URI)
—————-
本方法类似于fetch()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回网页中链接(link)。
默认情况下，相对链接将自动补全，转换成完整的URL。
submit($URI,$formvars)
———————-
本方法向$URL指定的链接地址发送确认表单。$formvars是一个存储表单参数的数组。
submittext($URI,$formvars)
————————–
本方法类似于submit()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回登陆后网页中的文字内容。
submitlinks($URI)
—————-
本方法类似于submit()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回网页中链接(link)。
默认情况下，相对链接将自动补全，转换成完整的URL。
三、类属性: (缺省值在括号里)
$host 连接的主机
$port 连接的端口
$proxy_host 使用的代理主机，如果有的话
$proxy_port 使用的代理主机端口，如果有的话
$agent 用户代理伪装 (Snoopy v0.1)
$referer 来路信息，如果有的话
$cookies cookies， 如果有的话
$rawheaders 其他的头信息, 如果有的话
$maxredirs 最大重定向次数， 0=不允许 (5)
$offsiteok whether or not to allow redirects off-site. (true)
$expandlinks 是否将链接都补全为完整地址 (true)
$user 认证用户名, 如果有的话
$pass 认证用户名, 如果有的话
$accept http 接受类型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
$error 哪里报错, 如果有的话
$response_code 从服务器返回的响应代码
$headers 从服务器返回的头信息
$maxlength 最长返回数据长度
$read_timeout 读取操作超时 (requires PHP 4 Beta 4+)
设置为0为没有超时
$timed_out 如果一次读取操作超时了，本属性返回 true (requires PHP 4 Beta 4+)
$maxframes 允许追踪的框架最大数量
$status 抓取的http的状态
$temp_dir 网页服务器能够写入的临时文件目录 (/tmp)
$curl_path cURL binary 的目录, 如果没有cURL binary就设置为 false
四、以下是demo
1 include "Snoopy.class.php"; 2 $snoopy = new Snoopy; 3 4 $snoopy->proxy_host = "www.baidu.com"; 5 $snoopy->proxy_port = "8080"; 6 7 $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; 8 $snoopy->referer = "http://www.baidu.com/"; 9 10 $snoopy->cookies["SessionID"] = 238472834723489l; 11 $snoopy->cookies["favoriteColor"] = "RED"; 12 13 $snoopy->rawheaders["Pragma"] = "no-cache"; 14 15 $snoopy->maxredirs = 2; 16 $snoopy->offsiteok = false; 17 $snoopy->expandlinks = false; 18 19 $snoopy->user = "joe"; 20 $snoopy->pass = "bloe"; 21 22 if($snoopy->fetchtext("http://www.baidu.com")) 23 { 24 echo " <PRE>".htmlspecialchars($snoopy->results)." </PRE>\n"; <BR> 25 } <BR> 26 else <BR> 27 echo "error fetching document: ".$snoopy->error."\n"; 28 29 snoopy采集phpchina示例 30 <?php 31 //采集phpchina 32 set_time_limit(0); 33 require_once("Snoopy.class.php"); 34 $snoopy=new Snoopy(); 35 //登陆论坛 36 $submit_url = "http://www.phpchina.com/bbs/logging.php?action=login"; 37 $submit_vars["loginmode"] = "normal"; 38 $submit_vars["styleid"] = "1"; 39 $submit_vars["cookietime"] = "315360000"; 40 $submit_vars["loginfield"] = "username"; 41 $submit_vars["username"] = "***"; //你的用户名 42 $submit_vars["password"] = "*****"; //你的密码 43 $submit_vars["questionid"] = "0"; 44 $submit_vars["answer"] = ""; 45 $submit_vars["loginsubmit"] = "提 交"; 46 $snoopy->submit($submit_url,$submit_vars); 47 if ($snoopy->results) 48 { 49 //获取连接地址 50 $snoopy->fetchlinks("http://www.phpchina.com/bbs"); 51 $url=array(); 52 $url=$snoopy->results; 53 //print_r($url); 54 foreach ($url as $key=>$value) 55 { 56 //匹配http://www.phpchina.com/bbs/forumdisplay.php?fid=156&sid=VfcqTR地址即论坛板块地址 57 if (!preg_match("/^(http:\/\/www\.phpchina\.com\/bbs\/forumdisplay\.php\?fid=)[0-9]*&sid=[a-zA-Z]{6}/i",$value)) 58 { 59 unset($url[$key]); 60 } 61 } 62 //print_r($url); 63 //获取到板块数组$url，循环访问，此处获取第一个模块第一页的数据 64 $i=0; 65 foreach ($url as $key=>$value) 66 { 67 if ($i>=1) 68 { 69 //测试限制 70 break; 71 } 72 else 73 { 74 //访问该模块，提取帖子的连接地址，正式访问里需要提取帖子分页的数据，然后根据分页数据提取帖子数据 75 $snoopy=new Snoopy(); 76 $snoopy->fetchlinks($value); 77 $tie=array(); 78 $tie[$i]=$snoopy->results; 79 //print_r($tie); 80 //转换数组 81 foreach ($tie[$i] as $key=>$value) 82 { 83 //匹配http://www.phpchina.com/bbs/viewthread.php?tid=68127& extra=page%3D1&page=1&sid=iBLZfK 84 if (!preg_match("/^(http:\/\/www\.phpchina\.com\/bbs\/viewthread\.php\?tid=)[0-9]*&extra=page\%3D1&page=[0-9]*&sid=[a-zA-Z]{6}/i",$value)) 85 { 86 unset($tie[$i][$key]); 87 } 88 } 89 //print_r($tie[$i]); 90 //归类数组，将同一个帖子不同页面的内容放一个数组里 91 $left=‘‘;//连接左边公用地址 92 $j=0; 93 $page=array(); 94 foreach ($tie[$i] as $key=>$value) 95 { 96 $left=substr($value,0,52); 97 $m=0; 98 foreach ($tie[$i] as $pkey=>$pvalue) 99 { 100 //重组数组 101 if (substr($pvalue,0,52)==$left) 102 { 103 $page[$j][$m]=$pvalue; 104 $m++; 105 } 106 } 107 $j++; 108 } 109 //去除重复项开始 110 //$page=array_unique($page);只能用于一维数组 111 $paget[0]=$page[0]; 112 $nums=count($page); 113 for ($n=1;$n <$nums;$n++) 114 { 115 $paget[$n]=array_diff($page[$n],$page[$n-1]); 116 } 117 //去除多维数组重复值结束 118 //去除数组空值 119 unset($page); 120 $page=array();//重新定义page数组 121 $page=array_filter($paget); 122 //print_r($page); 123 $u=0; 124 $title=array(); 125 $content=array(); 126 $temp=‘‘; 127 $tt=array(); 128 foreach ($page as $key=>$value) 129 { 130 //外围循环，针对一个帖子 131 if (is_array($value)) 132 { 133 foreach ($value as $k1=>$v1) 134 { 135 //页内循环，针对一个帖子的N页 136 $snoopy=new Snoopy(); 137 $snoopy->fetch($v1); 138 $temp=$snoopy->results; 139 //读取标题 140 if (!preg_match_all("/ <h2>(.*) <\/h2>/i",$temp,$tt)) 141 { 142 echo "no title"; 143 exit; 144 } 145 else 146 { 147 $title[$u]=$tt[1][1]; 148 } 149 unset($tt); 150 //读取内容 151 if (!preg_match_all("/ <div id=\"postmessage_[0-9]{1,8}\" class=\"t_msgfont\">(.*) <\/div>/i",$temp,$tt)) 152 { 153 print_r($tt); 154 echo "no content1"; 155 exit; 156 } 157 else 158 { 159 foreach ($tt[1] as $c=>$c2) 160 { 161 $content[$u].=$c2; 162 } 163 } 164 } 165 } 166 else 167 { 168 //直接取页内容 169 $snoopy=new Snoopy(); 170 $snoopy->fetch($value); 171 $temp=$snoopy->results; 172 //读取标题 173 if (!preg_match_all("/ <h2>(.*) <\/h2>/i",$temp,$tt)) 174 { 175 echo "no title"; 176 exit; 177 } 178 else 179 { 180 $title[$u]=$tt[1][1]; 181 } 182 unset($tt); 183 //读取内容 184 if (!preg_match_all("/ <div id=\"postmessage_[0-9]*\" class=\"t_msgfont\">(.*) <\/div>/i",$temp,$tt)) 185 { 186 echo "no content2"; 187 exit; 188 } 189 else 190 { 191 foreach ($tt[1] as $c=>$c2) 192 { 193 $content[$u].=$c2; 194 } 195 } 196 } 197 $u++; 198 } 199 print_r($content); 200 } 201 $i++; 202 } 203 } 204 else 205 { 206 echo "login failed"; 207 exit; 208 } 209 ?>
郑重声明：本站内容如果来自互联网及其他传播媒体，其版权均属原媒体及文章作者所有。转载目的在于传递更多信息及用于网络分享，并不代表本站赞同其观点和对其真实性负责，也不构成任何其他建议。
