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 ”
”.htmlspecialchars($snoopy->results).”
/n”;
}
else
echo “error fetching document: “.$snoopy->error.”/n”;snoopy采集phpchina示例
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 {
$paget[$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>/i”,$temp,$tt))
{
echo “no title”;
exit;
}
else
{
$title[$u]=$tt[1][1];
}
unset($tt);
//读取内容
if (!preg_match_all(“/ (.*) /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>/i”,$temp,$tt))
{
echo “no title”;
exit;
}
else
{
$title[$u]=$tt[1][1];
}
unset($tt);
//读取内容
if (!preg_match_all(“/ (.*) /div>/i”,$temp,$tt))
{
echo “no content2″;
exit;
}
else
{
foreach ($tt[1] as $c=>$c2)
{
$content[$u].=$c2;
}
}
}
$u++;
}
print_r($content);
}
$i++;
}
}
else
{
echo “login failed”;
exit;
}
?>posted in?php / mysql |?tagged?php,?snoopy |?leave a replysnoopy.class.php php模拟登陆posted on?may 13, 2012?by?jason lemb官方网站http://snoopy.sourceforge.net/
下面是它的一些特征：
1、方便抓取网页的内容
2、方便抓取网页的文字（去掉html代码）
3、方便抓取网页的链接
4、支持代理主机
5、支持基本的用户/密码认证模式
6、支持自定义用户agent,referer,cookies和header内容
7、支持浏览器转向，并能控制转向深度
8、能把网页中的链接扩展成高质量的url（默认）
9、方便提交数据并且获取返回值
10、支持跟踪html框架（v0.92增加）
11、支持再转向的时候传递cookies
下面是简单的例子，比如说我们抓取我的blog的文字
?
include?”snoopy.class.php”;$snoopy?=?new?snoopy;$snoopy->fetchtext(“http://www.phpobject.net/blog”);echo?$snoopy->results;?>^_^，不错把，在比如抓取链接include?”snoopy.class.php”;$snoopy?=?new?snoopy;$snoopy->fetchlinks(“http://www.phpobject.net/blog”);print_r($snoopy->results);?>－－－－－－－－－－－－－－－－－－－－proxy_host?=?”my.proxy.host”;$snoopy->proxy_port?=?”8080″;//?set?browser?and?referer:$snoopy->agent?=?”mozilla/4.0?(compatible;?msie?6.0;?windows?nt?5.1)”;$snoopy->referer?=?”http://www.jonasjohn.de/”;//?set?some?cookies:$snoopy->cookies[sessionid]?=?’238472834723489′;$snoopy->cookies[favoritecolor]?=?”blue”;//?set?an?raw-header:$snoopy->rawheaders[pragma]?=?”no-cache”;//?set?some?internal?variables:$snoopy->maxredirs?=?2;$snoopy->offsiteok?=?false;$snoopy->expandlinks?=?false;//?set?username?and?password?(optional)//$snoopy->user?=?”joe”;snoopy->pass?=?”bloe”;//?fetch?the?text?of?the?website?www.google.com:if($snoopy->fetchtext(“http://www.google.com”)){?//?other?methods:?fetch,?fetchform,?fetchlinks,?submittext?and?submitlinks//?response?code:print?”response?code:?”.$snoopy->response_code.”
\n”;//?print?the?headers:print?”headers:
”;while(list($key,$val)?=?each($snoopy->headers)){?print?$key.”:?”.$val.”
\n”;}?print?”
\n”;//?print?the?texts?of?the?website:print?””.htmlspecialchars($snoopy->results).”
\n”;}else?{print?”snoopy:?error?while?fetching?document:?”.$snoopy->error.”\n”;}?>－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－－
首先，我们要获取到登陆需要发送什么字段，目标地址是什么。这里我们使用snoopy的fetchform来实现。
?
include?”snoopy.class.php”;$snoopy?=?new?snoopy;$snoopy->fetchform(“http://www.phpx.com/happy/logging.php?action=login”);print?$snoopy->results;?>当然你也可以直接查看http://www.phpx.com/happy/…的源代码来实现，不过这样更加方便把。这里，我们获取到目标和提交的数据，下一步就可以实现模拟登陆了。代码如下：
include?”snoopy.class.php”;$snoopy?=?new?snoopy;$submit_url?=?”http://www.phpx.com/happy/logging.php?action=login”;?$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,$submit_vars);?print?$snoopy->results;?>