php 採集 Snoopy 詳解
PHP採集利器snoopy應用詳解
Snoopy是一個php類，用來模擬瀏覽器的功能，可以取得網頁內容，發送表單。 Snoopy正確運作需要你的伺服器的PHP版本在4以上，並且支援PCRE（Perl Compatible Regular Expressions），基本的LAMP服務都支援。
一、Snoopy的一些特點:
1.抓取網頁的內容fetch
2.抓取網頁的文字內容(去除HTML標籤) fetchtext
3.抓取網頁的鏈接，表格支援
5.支援基本的使用者名稱/密碼驗證
6.支援設定user_agent, referer(來路), cookies和header content(頭檔)
7.支援瀏覽器重新導向，並能控制深度重定向能把網頁中的連結擴展成高品質的url(預設)
9.提交資料並且取得回傳值
10.支援追蹤HTML框架
11.支援重定向的時候傳遞cookies，要求php4以上就可以了，由於php4以上就可以了，由於php4以上就可以了，由於php4以上就可以了，由於php4以上就可以了，由於php4以上就可以了，由於php4以上就可以了，由於php4以上就可以了，由於php4以上就可以了本身是php一個類，無需擴充支持，伺服器不支援curl時候的最好選擇。
二、類別方法:
fetch($URI)
———–
這是為了抓取網頁的內容而使用的方法。 $URI參數是被抓取網頁的URL位址。抓取的結果儲存在 $this->results 中。如果你正在抓取的是一個框架，Snoopy會將每個框架追蹤後存入數組中，然後存入 $this->results。
fetchtext($URI)
—————
本方法類似fetch()，唯一不同的就是本方法會移除HTML標籤和其他的無關數據，只回網頁中的文字內容。
fetchform($URI)
—————
本方法類似fetch()，唯一不同的就是本方法會移除HTML標籤和其他的無關數據，只回網頁中表單內容(form)。
fetchlinks($URI)
—————-
本方法類似fetch()，唯一不同的就是本方法會移除HTML標籤和其他的無關數據，只返回網頁中連結(link)。
預設情況下，相對連結將自動補全，轉換成完整的URL。
submit($URI,$formvars)
———————-
本方法發送確認表單給$URL指定的連結位址。 $formvars是一個儲存表單參數的陣列。
submittext($URI,$formvars)
————————–
本方法類似於submit()，唯一不同的就是本方法會去除HTML標籤和其他的無關數據，只返回登陸後網頁中的文字內容。
submitlinks($URI)
—————-
本方法類似submit()，唯一不同的就是本方法會移除HTML標籤和其他的無關數據，只返回網頁中連結(link)。
預設情況下，相對連結將自動補全，轉換成完整的URL。
三、類別屬性: (缺省值在括號裡)
$host 連線的主機
$port 連線的連接埠
$proxy_host 所使用的代理主機，如果有的話
$proxy_port 使用的代理主機連接埠，如果有的代理主機，如果有的話
$proxy_port 使用的代理主機連接埠，如果有的代理主機連接埠話
$agent 用戶代理偽裝(Snoopy v0.1)
$referer 來路信息，如果有的話
$cookies cookies， 如果有的話
$rawheaders 其他的頭信息, 如果有的話
$rawheaders 其他的頭信息, 如果有的話 ir
定向次數，0= 0=不允許(5)
$offsiteok whether or not to allow redirects off-site. (true)
$expandlinks 是否將連結都補全為完整地址(true)
$user 認證用戶名, 如果有的話
$pass 認證使用者名稱, 如果有的話
$accept http 接受類型(image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
$error 哪裡報錯誤, 如果有的話
$response_code 從伺服器回傳的回應代碼
$headers 從伺服器回傳的頭資訊
$maxlength 最長回傳資料長度
$read_timeout 讀取作業逾時(requires PHP 4 Beta 4+)
$read_timeout 讀取作業逾時(requires PHP 4 Beta 4+)
$read_timeout 讀取作業逾時(requires PHP 4 Beta 4+)
$read_timeout 讀取作業逾時(requires PHP 4 Beta 4+)
$timed_out 如果一次讀取操作逾時了，本屬性回傳true (requires PHP 4 Beta 4+)
$maxframes 允許追蹤的框架最大數量
$status 抓取的http的狀態
$temp_dir 網頁能夠寫入的臨時檔案目錄(/tmp)
$curl_path cURL binary 的目錄, 如果沒有cURL binary就設定為false
四、以下是demo
include "Snoopy.class.php"; >proxy_host = "www.baidu.com";
$snoopy->proxy_port = "8080";
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; ->referer = "http://www.baidu.com/";
$snoopy->cookies["SessionID"] = 238472834723489l;
$snoopy->cookies["favoriteColor"] = "RED";
$snoopy->rawheaders["Pragma"] = "no-cache";
$史努比->maxredirs = 2;
$oopy->offsitesnoopy->offsiteok = false;
$snoopy->expandlinks = false;
$snoopy->user = "joe";
$snoopy->pass = "bloe";
if($snoopy->fetchtext("http://www. baidu.com"))
{
echo "
".htmlspecialchars($snoopy->results)."
登入後複製
; n”;
}
不然
echo取得文件時發生錯誤：".$snoopy->error."n";
snoopy採集phpchina範例
//採集phpchina
set_time_limit(0);
require_once("Soopy.class.class. $史努比=新史努比();
//登陸論壇
$submit_url = "http://www.phpchina.com/bbs/logging.php?action=login";
$submit_vars["loginmode" ] = "正常";
$submit_vars["styleid"] = "1";
$submit_vars["cookietime"] = "315360000";
$submit_vars["loginfield"] = "使用者名稱";
$submit_vars["loginfield"] = "使用者名稱"; "使用者名稱"] = "***"; //您的使用者名稱
$submit_vars["password"] = "*****"; //你的密碼
$submit_vars["questionid"] = " 0";
$submit_vars["answer"] = "";
$submit_vars["loginsubmit"] = "投稿";
$snoopy->submit($submit_url,$submit_vars);
$snoopy->submit($submit_url,$submit_vars);
if> )
{
//取得連接位址
$snoopy->fetchlinks("http://www.phpchina.com/bbs");
$url=array();
$url=$snoopy->結果； //print_r($url);
foreach ($url as $key=>$value)
{
//符合http://www.phpchina.com/bbs/forumdisplay.php?fid=156&sid=VfcqTR位址即論壇板塊位址
if (! preg_match("/^(http://www.phpchina.com/bbs/forumdisplay.php?fid=)[0-9]*&sid=[a-zA-Z]{6} /i",$value) )
{
unset($url[$key]);
}
}
//print_r($url);
///取得到板塊資料庫$url，循環訪問，此處取得第一模組第一頁的資料
$i=0;
foreach ($url as $key=>$value)
{
if ($i>=1)
{
//測試限制
break; }
else
{
//訪問該模組，提取帖子的連接地址，正式訪問裡需要帖子提取分頁的數據，然後根據分頁數據提取帖子數據
$snoopy=new Snoopy();
$snoopy->fetchlinks ($value);
$tie=array();
$tie[$i]=$snoopy->結果；
//print_r($tie);
//轉換吞吐量
foreach ($tie[$i ] as $key=>$value)
{
//匹配http://www.phpchina.com/bbs/viewthread.php?tid=68127& extra=page%3D1&page=1&sid=iBLZfK
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",$value))
{
unset($tie[$i][$key]);
}
}
//print_r($tie[$i]);
//整理隊列，將同一個貼文不同頁面的內容放一個佇列裡
$left='';//連接左邊公用位址
$j=0;
$page=array();
foreach ($tie[$i] as $ key=>$value)
{
$left=substr($value,0,52);
$m=0；
foreach ($tie[$i]as $pkey=>$pvalue)
{
{
// 重組資料庫
if (substr($pvalue,0,52)==$left)
{
$page[$j ][$m]=$p值；
$m++；
}
}
$m++；
}
}
$m++； }
/刪除重複項開始
//$page=array_unique($page);只能用於一維資料庫
$paget[0]=$page[0];
$nums=count($page);
for ($n=1;$n {
$paget[$n]=array_diff($page[$n],$page[$n-1]);
}
//增加多維資料庫重複值結束
// 增加資料庫空值
unset($page);
$page=array();//重新定義頁備份
$page=array_filter($paget);
//print_r($ page);
$u=0;
$title=陣列();
$內容=陣列();
$temp='';
$tt=陣列();
foreach ($page as $keykey=> $value)
{
//社會循環，針對一個帖子
if (is_array($value))
{
foreach ($value as $k1=>$v1)
{的N頁
$snoopy=new Snoopy();
$snoopy->fetch($v1);
$temp=$snoopy->results;
//讀取標題
if (!preg_match_all("/
(.*)
/i",$temp,$tt))
{
echo "no title";
exit;
}
else
{
$title[$u]
else
{
$title[$u]=$tt[1]。
}
unset($tt);
//讀取內容
if (!preg_match_all("/
(.*)
/i",$temp,$tt))
{
print_r($tt);
echo "no content1";
exit;
}
else
{ exit;
}
else
{ c=>$c2)
{
$content[$u].=$c2;
}
}
}
}
else
{ snoopy->fetch($value);
$temp=$snoopy->results;
//讀標題
if (!preg_match_all("/
(.*)
/i",$temp ,$tt))
{
echo "no title";
exit;
}
else
{
$title[$u]=$tt[1][1]？ //讀取內容
if (!preg_match_all("/
(.*)
/i",$temp,$tt) )
{
echo "no content2";
exit;
}
else
{
foreach ($tt[1]as $c=>$c2)
foreach ($tt[1]as $c=>$c2)
{ }
}
}
$u++;
}
print_r($content);
}
$i++;
}
} }
?>
