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

　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

　　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) 
—————

fetchform($URI) 
—————

fetchlinks($URI) 
—————-

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) 
————————–

submitlinks($URI) 
—————-

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  

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 " 

    "

    Copier après la connexion
    .htmlspecialchars($snoopy->results)." \n"; 
        
25. } 
        
26. else 
        
27.     echo "error fetching document: ".$snoopy->error."\n";  
28.   
29. snoopy采集phpchina示例   
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("/ 

     (.*) /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("/ 
     (.*) /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("/ 

     (.*) /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("/ 
     (.*) /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. ?>