[PHP自动化－进阶]005.Snoopy采集框架介绍

**官方网址：http://snoopy.sourceforge.net/**

简单一句话表达："Snoopy是一个php类库，用来模拟浏览器的功能，可以获取网页内容，发送表单。"，补一下脑。

Snoopy的一些功能特点：

抓取网页的内容 fetch()

抓取网页的文本内容 (去除HTML标签) fetchtext()

抓取网页的链接，表单 fetchlinks() fetchform()

支持代理主机

支持基本的用户名/密码验证

支持设置 user_agent, referer(来路), cookies 和 header content(头文件)

支持浏览器重定向，并能控制重定向深度

能把网页中的链接扩展成高质量的url(默认)

提交数据并且获取返回值

支持跟踪HTML框架

支持重定向的时候传递cookies


Come on，跟着SuperDo一起来了解一下Snoopy的使用吧。。。



[b]类方法[/b]

下面，我们为大家准备了Snoopy常用的一些类方法。

1. 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。

<?php
// 载入类库
include("./Snoopy.class.php");

// 请求网址
$url = "http://do.org.cn/";

// 实际对象
$snoopy = new Snoopy;
// 获取网页内容
$snoopy->fetch($url);
// 显示结果
echo $snoopy->results;
?>

2. 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。

<?php
// 载入类库
include("./Snoopy.class.php");

// 请求网址
$url = "http://do.org.cn/";

// 实际对象
$snoopy = new Snoopy;
// 获取文本内容
$snoopy->fetchtext($url);
// 显示结果
echo $snoopy->results;
?>

3. 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)。

4. 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。

5. 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。

6. 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。

7. 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。

[b]类属性 (缺省值在括号里)[/b]

$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

基础示例

通用示例：

include "Snoopy.class.php";
$snoopy = new Snoopy;

$snoopy->proxy_host = "http://do.org.cn/";
$snoopy->proxy_port = "80";

$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
$snoopy->referer = "http://do.org.cn";

$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($snoopy->fetchtext("http://do.org.cn")) {
echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>n";
} else {
echo "error fetching document: ".$snoopy->error."n";
}

获取指定url内容：

<?
// 载入类库
include("./Snoopy.class.php");

// 请求网址
$url = "http://do.org.cn/";

// 实例对象
$snoopy = new Snoopy;
// 获取网页内容
$snoopy->fetch($url);
// 显示结果
echo $snoopy->results;

// 可选以下:
// -1.获取文本内容（去掉html代码）
// $snoopy->fetchtext
// -2.获取链接
// $snoopy->fetchlinks
// -3.获取表单
// $snoopy->fetchform
?>

表单提交：

<?php
// 表单提交地址
$action = "http://do.org.cn/librarys/arch/";

// 设置表单参数[账号]
$formvars["username"] = "admin";
// 设置表单参数[密码]
$formvars["pwd"] = "admin";

// 模拟表单提交
$snoopy->submit($action,$formvars);
// 获取表单提交后的返回的结果
echo $snoopy->results;

// 可选以下:
// 提交后只返回 去除html的 文本
$snoopy->submittext;
// 提交后只返回 链接
$snoopy->submitlinks;
?>

伪装ip，伪装浏览器：

<?php
// 载入类库
include("./Snoopy.class.php");

// 表单提交地址
$action = "http://do.org.cn";

// 设置表单参数[账号]
$formvars["username"] = "admin";
// 设置表单参数[密码]
$formvars["pwd"] = "admin";

// 实例对象
$snoopy = new Snoopy;
// 伪装sessionid
$snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7';
// 伪装浏览器
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
// 伪装来源页地址
$snoopy->referer = http://www.4wei.cn; // 设置页面不缓存
$snoopy->rawheaders["Pragma"] = "no-cache";
// 伪装ip
$snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.101";

// 模拟表单提交
$snoopy->submit($action,$formvars);
// 获取表单提交后的返回的结果
echo $snoopy->results;
?>

伪装其他属性：

<?php
// 设置代理
$snoopy->proxy_host = "http://www.do.org.cn/";
$snoopy->proxy_port = "8080";
// 设置最大重定向次数
$snoopy->maxredirs = 2;
// 设置是否补全链接（说明：在采集的时候经常用到）
// 例如链接为 /images/logo.gif 可改为它的全链接 <a href="http://www.ac.asia/images/logo.gif">图片</a>
$snoopy->expandlinks = true;
// 设置允许的最大框架数
$snoopy->maxframes = 5
// 注意抓取框架的时候 $snoopy->results 返回的是一个数组
$snoopy->error //返回报错信息
?>

综合示例２则

Mark一下，大家有兴趣可以看看。

示例１：

/**
* You need the snoopy.class.php from
* http://snoopy.sourceforge.net/ */
include("snoopy.class.php");

$snoopy = new Snoopy;
// need an proxy?:
//$snoopy->proxy_host = "my.proxy.host";
//$snoopy->proxy_port = "8080";

// set browser and referer:
$snoopy->agent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)";
$snoopy->referer = "http://do.org.cn/";

// set some cookies:
$snoopy->cookies["SessionID"] = '238472834723489';
$snoopy->cookies["favoriteColor"] = "blue";

// set an raw-header:
$snoopy->rawheaders["Pragma"] = "no-cache";

// set some internal variables:
$snoopy->maxredirs = 2;
$snoopy->offsiteok = false;
$snoopy->expandlinks = false;

// set username and password (optional)
//$snoopy->user = "joe";
//$snoopy->pass = "bloe";

// fetch the text of the website www.google.com:
if($snoopy->fetchtext("http://www.google.com")){
// other methods: fetch, fetchform, fetchlinks, submittext and submitlinks

// response code:
print "response code: ".$snoopy->response_code."<br/>n";

// print the headers:

print "<b>Headers:</b><br/>";
while(list($key,$val) = each($snoopy->headers)){
print $key.": ".$val."<br/>n";
}

print "<br/>n";

// print the texts of the website:
print htmlspecialchars($snoopy->results)."n";
} else {
print "Snoopy: error while fetching document: ".$snoopy->error."n";
}

示例２：（图片采集）

<meta http-equiv='content-type' content='text/html;charset=utf-8'>
<?php
// 加载Snoopy类
include 'Snoopy.class.php';
// 实例化一个对象
$snoopy = new Snoopy();
// 要抓取的网页
$sourceURL = "http://mzitu.com/";
// 获得网页的链接
$snoopy->fetchlinks($sourceURL);
// 得到网页链接的结果
$a = $snoopy->results;
// 匹配的正则
$re = "/d+.html$/";
// 过滤获取指定的文件地址请求
foreach ($a as $tmp) {
if (preg_match($re, $tmp)) {
$aa=$tmp;
}
}
getImgURL($aa);
function getImgURL($siteName) {
$snoopy = new Snoopy();
$snoopy->fetch($siteName);
// 获取过滤后的页面的内容
$fileContent = $snoopy->results;
// 匹配图片的正则表达式
$reTag = "/<img[^s]+src="(http://[^"]+).(jpg|png|gif|jpeg)"[^/]*/>/i";
if (preg_match($reTag, $fileContent)) {
// 过滤图片
$ret = preg_match_all($reTag, $fileContent, $matchResult);
for ($i = 0, $len = count($matchResult[1]); $i < $len; ++$i) {
saveImgURL($matchResult[1][$i], $matchResult[2][$i]);
}
}
}
function saveImgURL($name, $suffix) {
// 消息输出
$url = $name.".".$suffix;
echo "请求的图片地址：".$url."<br/>";

// 图片保存地址
$imgSavePath = "E:/123/images/";
// 产生一个随机的文件名
$imgId =mt_rand();
if ($suffix == "gif") {
// 根据图片类型，放入不同的文件夹下面
$imgSavePath .= "emotion";
} else {
$imgSavePath .= "topic";
}

// 组装要保存的文件名
$imgSavePath .= ("/".$imgId.".".$suffix);
if (is_file($imgSavePath)) {
// 判断文件名是否存在，存在则删除
unlink($imgSavePath);
echo "<p style='color:#f00;'>文件".$imgSavePath."已存在，将被删除</p>";
}

// 读取网络文件
$imgFile = file_get_contents($url);
// 写入到本地
$flag = file_put_contents($imgSavePath,$imgFile);
if ($flag) {
echo "<p>文件".$imgSavePath."保存成功</p>";
}
}
?>

未完待续……。



本站文章为 宝宝巴士 SD.Team 原创，转载务必在明显处注明：（作者官方网站： 宝宝巴士 )
转载自【宝宝巴士SuperDo团队】 原文链接: /article/6669172.html

---恢复内容结束---