php 采集 snoopy 详解 
php采集利器snoopy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 
include snoopy.class.php; 
$snoopy = new snoopy; 
$snoopy->proxy_host = www.baidu.com; 
$snoopy->proxy_port = 8080; 
$snoopy->agent = (compatible; msie 4.01; msn 2.5; aol 4.0; windows 98); 
$snoopy->referer = http://www.baidu.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.baidu.com)) 
{ 
echo <pre>.htmlspecialchars($snoopy->results). </pre>\n; <br> 
} <br> 
else <br> 
echo error fetching document: .$snoopy->error.\n; 
snoopy采集phpchina示例 
<?php
//采集phpchina
set_time_limit(0);
require_once("snoopy.class.php");
$snoopy=new snoopy();
//登陆论坛
$submit_url = "http://www.phpchina.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.phpchina.com/bbs); 
$url=array(); 
$url=$snoopy->results; 
//print_r($url); 
foreach ($url as $key=>$value) 
{ 
//匹配http://www.phpchina.com/bbs/forumdisplay.php?fid=156&sid=vfcqtr地址即论坛板块地址 
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); 
//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.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]); 
//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 <$nums;$n++)
{
$paget[$n]=array_diff($page[$n],$page[$n-1]);
}
//去除多维数组重复值结束
//去除数组空值
unset($page);
$page=array();//重新定义page数组
$page=array_filter($paget);
//print_r($page);
$u=0;
$title=array();
$content=array();
$temp='';
$tt=array();
foreach ($page as $key=>$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(/ <h2>(.*) <\/h2>/i,$temp,$tt)) 
{ 
echo no title; 
exit; 
} 
else 
{ 
$title[$u]=$tt[1][1]; 
} 
unset($tt); 
//读取内容 
if (!preg_match_all(/ <div id=\"postmessage_[0-9]{1,8}\" class=\"t_msgfont\">(.*) <\/div>/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(/ <h2>(.*) <\/h2>/i,$temp,$tt)) 
{ 
echo no title; 
exit; 
} 
else 
{ 
$title[$u]=$tt[1][1]; 
} 
unset($tt); 
//读取内容 
if (!preg_match_all(/ <div id=\"postmessage_[0-9]*\" class=\"t_msgfont\">(.*) <\/div>/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; 
} 
?>