首页 > 未分类 > PHP采集器snoopy.class.php应用详解
2014
11-06

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 " <PRE>".htmlspecialchars($snoopy->results)." </PRE>\n";
}
else
    echo "error fetching document: ".$snoopy->error."\n";
? >

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 <$nums;$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;
}
? >


来源:网络(0)

友荐云推荐