PHP采集利器：Snoopy 简单

下载地址:http://sourceforge.net/projects/snoopy/

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;   
}   
?>