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;
4. $snoopy->proxy_host = "www.baidu.com";
5. $snoopy->proxy_port = "8080";
7. $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
8. $snoopy->referer = "http://www.baidu.com/";
10. $snoopy->cookies["SessionID"] = 238472834723489l;
11. $snoopy->cookies["favoriteColor"] = "RED";
13. $snoopy->rawheaders["Pragma"] = "no-cache";
15. $snoopy->maxredirs = 2;
16. $snoopy->offsiteok = false;
17. $snoopy->expandlinks = false;
19. $snoopy->user = "joe";
20. $snoopy->pass = "bloe";
22. if($snoopy->fetchtext("http://www.baidu.com"))
23. {
24. echo "

    "

    .htmlspecialchars($snoopy->results)." \n";
    
25. }
    
26. else
    
27. echo "error fetching document: ".$snoopy->error."\n";
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++)