标签:
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.onesheng.cn"; $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.onesheng.cn")) { echo " <PRE>".htmlspecialchars($snoopy->results)." </PRE>\n"; } else echo "error fetching document: ".$snoopy->error."\n"; ? >
snoopy采集phpoac示例(以www.onesheng.cn为准)
< ? //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.onesheng.cn"; $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.onesheng.cn"); $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; } ? >
标签:
原文地址:http://www.cnblogs.com/phplover2014/p/4189635.html