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。官方：http://sourceforge.net/projects/snoopy/
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
1 include "Snoopy.class.php";
2 $snoopy = new Snoopy;
3
4 $snoopy->proxy_host = "www.baidu.com";
5 $snoopy->proxy_port = "8080";
6
7 $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
8 $snoopy->referer = "http://www.baidu.com/";
9
10 $snoopy->cookies["SessionID"] = 238472834723489l;
11 $snoopy->cookies["favoriteColor"] = "RED";
12
13 $snoopy->rawheaders["Pragma"] = "no-cache";
14
15 $snoopy->maxredirs = 2;
16 $snoopy->offsiteok = false;
17 $snoopy->expandlinks = false;
18
19 $snoopy->user = "joe";
20 $snoopy->pass = "bloe";
21
22 if($snoopy->fetchtext("http://www.baidu.com"))
23 {
24 echo " <PRE>".htmlspecialchars($snoopy->results)." </PRE>\n"; <BR>
25 } <BR>
26 else <BR>
27 echo "error fetching document: ".$snoopy->error."\n";
28
29 snoopy采集phpchina示例
30 <?php
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++)
114 {
115 $paget[$n]=array_diff($page[$n],$page[$n-1]);
116 }
117 //去除多维数组重复值结束
118 //去除数组空值
119 unset($page);
120 $page=array();//重新定义page数组
121 $page=array_filter($paget);
122 //print_r($page);
123 $u=0;
124 $title=array();
125 $content=array();
126 $temp=‘‘;
127 $tt=array();
128 foreach ($page as $key=>$value)
129 {
130 //外围循环，针对一个帖子
131 if (is_array($value))
132 {
133 foreach ($value as $k1=>$v1)
134 {
135 //页内循环，针对一个帖子的N页
136 $snoopy=new Snoopy();
137 $snoopy->fetch($v1);
138 $temp=$snoopy->results;
139 //读取标题
140 if (!preg_match_all("/ <h2>(.*) <\/h2>/i",$temp,$tt))
141 {
142 echo "no title";
143 exit;
144 }
145 else
146 {
147 $title[$u]=$tt[1][1];
148 }
149 unset($tt);
150 //读取内容
151 if (!preg_match_all("/ <div id=\"postmessage_[0-9]{1,8}\" class=\"t_msgfont\">(.*) <\/div>/i",$temp,$tt))
152 {
153 print_r($tt);
154 echo "no content1";
155 exit;
156 }
157 else
158 {
159 foreach ($tt[1] as $c=>$c2)
160 {
161 $content[$u].=$c2;
162 }
163 }
164 }
165 }
166 else
167 {
168 //直接取页内容
169 $snoopy=new Snoopy();
170 $snoopy->fetch($value);
171 $temp=$snoopy->results;
172 //读取标题
173 if (!preg_match_all("/ <h2>(.*) <\/h2>/i",$temp,$tt))
174 {
175 echo "no title";
176 exit;
177 }
178 else
179 {
180 $title[$u]=$tt[1][1];
181 }
182 unset($tt);
183 //读取内容
184 if (!preg_match_all("/ <div id=\"postmessage_[0-9]*\" class=\"t_msgfont\">(.*) <\/div>/i",$temp,$tt))
185 {
186 echo "no content2";
187 exit;
188 }
189 else
190 {
191 foreach ($tt[1] as $c=>$c2)
192 {
193 $content[$u].=$c2;
194 }
195 }
196 }
197 $u++;
198 }
199 print_r($content);
200 }
201 $i++;
202 }
203 }
204 else
205 {
206 echo "login failed";
207 exit;
208 }
209 ?>