在做抓取前，记得把php.ini中的max_execution_time设置的大点，不然会报错的。

一、用Snoopy.class.php抓取页面

　　一个挺萌的类名。功能也很强大，用来模拟浏览器的功能，可以获取网页内容，发送表单等。

　　1）我现在要抓取一个网站的列表页的内容，我要抓取的是全国的医院信息内容，如下图：

　　2）我很自然的将URL地址复制下来，用Snoopy类来抓取前10页的页面内容，而且将内容放到本地来，在本地建立html文件，等下用于分析。

$snoopy=new Snoopy();
//医院list页面
 for($i = 1; $i <= 10; $i++) {
   $url = ‘http://www.guahao.com/hospital/areahospitals?p=全国&pageNo=‘ . $i;
   $snoopy->fetch($url);
   file_put_contents("web/page/$i.html", $snoopy->results);
 }
 echo ‘success‘;

　　3）很奇怪的是返回回来的不是全国的内容，而是上海的相关内容

　　4）后面怀疑是里面可能设置了cookie，然后用firebug查看，果然有惊人内幕

　　5）在请求的时候将cookie的值也放进去，就加了个设置语句$snoopy->cookies["_area_"]，情况就大不一样了，顺利返回全国信息。

$snoopy=new Snoopy();
//医院list页面
$snoopy->cookies["_area_"] = ‘{"provinceId":"all","provinceName":"全国","cityId":"all","cityName":"不限??"}‘;
for($i = 1; $i <= 10; $i++) {

　　//...页面内容抓取...}

二、用phpQuery.php分析页面

　　用了这个类能像jQuery那样操作DOM，不必为采集网站内容而使用那些头疼的正则算法了，用法上与jQuery相似，只是$()换成了pq()。主页放在google的code中，被屏蔽了得FQ一下，下面的附件中我分享了一个最新版本的fgFQ软件。用法很简单只要打开fg742p.exe文件就可以了。

　　1）我要获取每一页内容中的每个具体医院的信息，例如要获取301医院的信息。

　　每页的内容页面已经在前面的操作中抓取到了本地。所以可以直接用localhost了。

  $snoopy=new Snoopy();
　for($i = 1; $i <= 10; $i++) {
    $url = "http://localhost/spider/web/page/$i.html";
    $snoopy->fetch($url);
    $html = $snoopy->results;
  }

　　2）用phpQuery获取到节点信息，如下图的DOM结构：

　　使用一些phpQuery的方法，结合DOM结构读取每个医院信息的URL地址。

for($i = 1; $i <= 10; $i++) {
    //...抓取本地页面...
    phpQuery::newDocument($html);  //初始化对象
    $urls = array();
    foreach(pq(‘.search-hos-info dl dt a‘) as $item) {
      array_push($urls, pq($item)->attr(‘href‘)); //医院详情
    }
}

　　3）根据读取到的URL地址列表，抓取指定的页面。

$detailIndex = 1;
for($i = 1; $i <= 10; $i++) {
    //...抓取本地页面...
    //...获取指定节点的href地址信息...
    $len = count($urls);
    for($row = 1; $row <= $len; $row++) {
      $snoopy->fetch($urls[$row - 1]);
      file_put_contents("web/hospital/$detailIndex.html", $snoopy->results);
      $detailIndex++;
    }
}

FQ工具下载：

翻越障碍.rar

demo下载：

http://download.csdn.net/detail/loneleaf1/8089507

Snoopy类的一些说明：

类方法

类属性