PHP采集器snoopy.class.php应用详解

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4.0以上，并且支持PCRE（Perl Compatible Regular Expressions），基本的LAMP服务都支持。Snoopy类的下载地址为：http://sourceforge.net/projects/snoopy/files/?source=navbar



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

< ?
include "Snoopy.class.php";
$snoopy = new Snoopy;
$snoopy->proxy_host = "www.phpoac.com";
$snoopy->proxy_port = "8080";
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
$snoopy->referer = "http://www.phpoac.com/";
$snoopy->cookies["SessionID"] = 238472834723489l;
$snoopy->cookies["favoriteColor"] = "RED";
$snoopy->rawheaders["Pragma"] = "no-cache";
$snoopy->maxredirs = 2;
$snoopy->offsiteok = false;
$snoopy->expandlinks = false;
$snoopy->user = "joe";
$snoopy->pass = "bloe";
if($snoopy->fetchtext("http://www.iti5.cn"))
{ echo " [code]".htmlspecialchars($snoopy->results)."

n";
}
else echo "error fetching document: ".$snoopy->error."n";
? >
[/code]


snoopy采集phpoac示例

< ?
//采集php开源网
set_time_limit(0);
require_once("Snoopy.class.php");
$snoopy=new Snoopy();
//登陆论坛
$submit_url = "http://www.phpoac.com/bbs/logging.php?action=login";
$submit_vars["loginmode"] = "normal";
$submit_vars["styleid"] = "1";
$submit_vars["cookietime"] = "315360000";
$submit_vars["loginfield"] = "username";
$submit_vars["username"] = "***"; //你的用户名
$submit_vars["password"] = "*****"; //你的密码
$submit_vars["questionid"] = "0";
$submit_vars["answer"] = "";
$submit_vars["loginsubmit"] = "提 交";
$snoopy->submit($submit_url,$submit_vars);
if ($snoopy->results)
{ //获取连接地址 $snoopy->fetchlinks("http://www.phpoac.com/bbs"); $url=array(); $url=$snoopy->results; //print_r($url); foreach ($url as $key=>$value) { //匹配http://www.phpoac.com/bbs/forumdisplay.php?fid=156&sid=VfcqTR地址即论坛板块地址 if (!preg_match("/^(http://www.phpoac.com/bbs/forumdisplay.php?fid=)[0-9]*&sid=[a-zA-Z]{6}/i",$value)) { unset($url[$key]); } } //print_r($url); //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 $i=0; foreach ($url as $key=>$value) { if ($i>=1) { //测试限制 break; } else { //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 $snoopy=new Snoopy(); $snoopy->fetchlinks($value); $tie=array(); $tie[$i]=$snoopy->results; //print_r($tie); //转换数组 foreach ($tie[$i] as $key=>$value) { //匹配http://www.phpoac.com/bbs/viewthread.php?tid=68127&extra=page=1&page=1&sid=iBLZfK if (!preg_match("/^(http://www.phpoac.com/bbs/viewthread.php?tid=)[0-9]*&extra=page=1&page=[0-9]*&sid=[a-zA-Z]{6}/i",$value)) { unset($tie[$i][$key]); } } //print_r($tie[$i]); //归类数组，将同一个帖子不同页面的内容放一个数组里 $left='';//连接左边公用地址 $j=0; $page=array(); foreach ($tie[$i] as $key=>$value) { $left=substr($value,0,52); $m=0; foreach ($tie[$i] as $pkey=>$pvalue) { //重组数组 if (substr($pvalue,0,52)==$left) { $page[$j][$m]=$pvalue; $m++; } } $j++; } //去除重复项开始 //$page=array_unique($page);只能用于一维数组 $paget[0]=$page[0]; $nums=count($page); for ($n=1;$n $value) { //外围循环，针对一个帖子 if (is_array($value)) { foreach ($value as $k1=>$v1) { //页内循环，针对一个帖子的N页 $snoopy=new Snoopy(); $snoopy->fetch($v1); $temp=$snoopy->results; //读取标题 if (!preg_match_all("/ [size=2](.*) [/size]

/i",$temp,$tt)) { echo "no title"; exit; } else { $title[$u]=$tt[1][1]; } unset($tt); //读取内容 if (!preg_match_all("/ (.*) 
/i",$temp,$tt)) { print_r($tt); echo "no content1"; exit; } else { foreach ($tt[1] as $c=>$c2) { $content[$u].=$c2; } } } } else { //直接取页内容 $snoopy=new Snoopy(); $snoopy->fetch($value); $temp=$snoopy->results; //读取标题 if (!preg_match_all("/ [size=2](.*) [/size]

/i",$temp,$tt)) { echo "no title"; exit; } else { $title[$u]=$tt[1][1]; } unset($tt); //读取内容 if (!preg_match_all("/ (.*) 
/i",$temp,$tt)) { echo "no content2"; exit; } else { foreach ($tt[1] as $c=>$c2) { $content[$u].=$c2; } } } $u++; } print_r($content); } $i++; }
}
else
{ echo "login failed"; exit;
}
? >