PHP采集利器：Snoopy 试用心得

Snoopy.class.php下载

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

  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&amp; extra=page%3D1&amp;page=1&sid=iBLZfK
 84                 if (!preg_match("/^(http:\/\/www\.phpchina\.com\/bbs\/viewthread\.php\?tid=)[0-9]*&amp;extra=page\%3D1&amp;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 ?>
时间： 2024-08-01 21:07:32

PHP采集利器：Snoopy 试用心得的相关文章

网页采集利器 phpQuery

网页采集利器 phpQuery 2012-02-28 11:43:24|  分类: php|举报|字号 订阅 在网页采集的时候,通常都会用到正则表达式.但是有时候对于正则不太好的同学,比如我,那就杯具了..如今google的项目里有个phpQuery , 顾名思义query,完全类似于jquery的语法,但这是服务器端的,总体来说就是可以用php来直接采集对应的网页内容了,真的是太方便了,  它让一切变得可能...... phpQuery is a server-side, chainable,

小米路由试用心得

家里的无线路由很老了,平均1-2天就得断电重启一下,决定换一个,稳定可靠的网络设备或新鲜的小米路由犹豫了几天,最终尝鲜的心理战胜了理智,699出手买了小米路由.今天刚刚到手,迫不及待的试用了一下.分享一下试用的感受. 1.设置:路由上电后,计算机搜索到wifi,连接后打开浏览器,马上出现了小米路由的设置界面,一步一步输入上网的账号密码.wifi连接密码.wifi的ssid.管理员密码,重启后计算机重新连接.上网,一切OK了,真叫个简单,这一点做的确实非常好. 2.wifi连接速度:用手机连接新的

小米路由试用心得3——关于数据备份及客户端软件

小米路由器使用了有几天了,今天总结一下数据备份及客户端软件的使用心得. 手机客户端软件:分别在小米手机和iphone(4S)上安装了“小米路由”软件,都是小米官方的软件,不得不说小米是做安卓出身的,在安卓下的软件做的确实挺好,但是IOS就一般了.软件在小米手机上一切正常,备份照片也非常快速,就像他软件上说的,嗖的一下,就备份完成了.这里具体说说IOS下的问题: 1.备份慢,读取慢:从iphone上往路由盘里面备份照片非常慢,感觉比小米手机慢一倍以上.读取主要体现在视频上,打开视频的目录都能卡死不

小米路由试用心得2

今天在户外试用了一下小米路由的远程管理功能. 在购买之前,看介绍说有远程管理功能,我们家里又没有固定IP,考虑是不是需要使用花生壳之类的做个动态域名之类的才能够完成功能.今天试用时候发现其实原理是这样的: 小米路由——小米服务器——手机客户端 小米路由会连接小米的服务器,手机客户端需要登录小米账号,并绑定路由器,这样两台设备就可以通过小米服务器连接了.不同与传统路由器,如果要远程控制的话需要知道路由的广域网IP,或使用动态域名. 1.远程可以查看使用路由的客户端,并控制网络使用权限: 2.可以远

阿里云免费试用之体验——阿里云服务器ECS试用心得

自上次参加了阿里云的开发者大会回来 心里就一直惦记着阿里云 因为以前各种各样什么的服务器也用了不少 年前开始接触阿里云 一直没有给予更多的关注 参加了这次的开发者大会后 就想更进一步的了解 因为从网上 从朋友那 等多方打听了一下这个云服务 反映还不错 下面我就说说这个试用过程 昨天提交的试用申请 需要认证 我直接用我的支付宝账号快速认证 流程很少 阿里处理速度也很快 昨天下午提交的申请 今早9点32分接到短信通知 已经审核通过了 说实话 对阿里很期待 放下手头的工作 就登陆阿里云开始我的试用之旅

PHP采集利器：根据开始字符串和结束字符串截取需要的采集内容数据

function strCutByStr(&$str, $findStart, $findEnd = false, $encoding = 'utf-8'){ if(is_array($findStart)){ if(count($findStart) === count($findEnd)){ foreach($findStart as $k => $v){ if(($result = strCutByStr($str, $v, $findEnd[$k], $encoding)) !==

charles iPhone抓包步骤

一.安装charles 30天试用 ps.可以去xclient.info搜索 charles(支持正版) 二.配置参考:抓包工具Charles的试用心得 三.证书安装 1.mac证书安装 参考:抓包工具Charles乱码解决办法 中的证书安装 https://www.charlesproxy.com/documentation/using-charles/ssl-certificates/ 中有相关说明   启动 Charles 软件,在菜单中找到 Help -> SSL Proxying ->

开源爬虫汇总表，83款 网络爬虫开源软件

世界上已经成型的爬虫软件多达上百种,本文对较为知名及常见的开源爬虫软件进行梳理,按开发语言进行汇总,如下表所示.虽然搜索引擎也有爬虫,但本次我汇总的只是爬虫软件,而非大型.复杂的搜索引擎,因为很多兄弟只是想爬取数据,而非运营一个搜索引擎. 开源爬虫汇总表 开发语言 软件名称 软件介绍 许可证 Java Arachnid 微型爬虫框架,含有一个小型HTML解析器 GPL crawlzilla 安装简易,拥有中文分词功能 Apache2 Ex-Crawler 由守护进程执行,使用数据库存储网页信息

平院微信图书馆——中转图书查询

2014年做一个微信公众平台--平院小助手(pdsuhelp),想做一款产品,推广平台,于是便做了这个平院微信图书馆,托管于BAE(项目地址:pdsuhelp.duapp.com/lt),目前只能提供查询功能,至于续借等功能,以后看情况添加! 项目工作流程: 1.获取图书馆查询图书地址,通过get传参,替换word的参数 2.抓取图书列表页内容,并显示,抓取每本图书详情页面超链接,并加上a 标签 ,目前只能抓取第一页 3:点击进入图书详情页面,抓取主要信息,书名,书放的位置. 主要技术: 1:;