您现在的位置:

健康养生 >> 正文 >

Snoopy是一个php类,用来模拟浏览器的功能,可以获取网页内容,

2013-05-10 来源:未知北京军海癫痫病医院

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。

下载snoopy

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,

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。

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

丽江专治癫癫病的医院哪个好rgin: 0px; padding: 0px; color: rgb(69, 69, 69); font-family: tahoma, helvetica, arial; font-size: 14px; line-height: 21px;"> 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> ";<BR>  

}<BR>  

else<BR>  

     echo "error fetching document: ".$snoopy->error." ";

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

         癫痫治疗好的方法有哪些;   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

                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))

                {

                    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);

癫痫病早期症状是什么size: 14px; line-height: 21px;">             $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;

 &天津儿童癫痫病医院治疗哪里好nbsp;                          }

                        }

                    }

                }

                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;

}

?>

相关内容资料:

© http://zs.tqdfg.com  芋头养生网    版权所有