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。

  服务器不支持curl时候的最好选择

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

Php代码   收藏代码
  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 ($tie[$ias $key=>$value)   
  82.             {   
  83.                 //匹配http://www.phpchina.com/bbs/viewthread.php?tid=68127&amp; extra=page%3D1&amp;page=1&sid=iBLZfK   
  84.                 if (!preg_match("/^(http:\/\/www\.phpchina\.com\/bbs\/viewthread\.php\?tid=)[0-9]*&amp;extra=page\%3D1&amp;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[$ias $key=>$value)   
  95.             {   
  96.                 $left=substr($value,0,52);   
  97.                 $m=0;   
  98.                 foreach ($tie[$ias $pkey=>$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. ?>  


你可能感兴趣的:(Snoopy,采集)