snoopy采集

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

 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>\n"; <BR>
 } <BR>
 else <BR>
     echo "error fetching document: ".$snoopy->error."\n";

 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
             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.phpchina.com/bbs/viewthread.php?tid=68127&amp; extra=page%3D1&amp;page=1&sid=iBLZfK
                 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);
             $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;
 }
 ?>