snoopy 简介及使用

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。Snoopy类的官网下载地址为：http://snoopy.sourceforge.net/一、Snoopy的一些特点:1.抓取网页的内容 fetch2.抓取网页的文本内容 (去除HTML标签) fetchtext3.抓取网页的链接，表单 fetchlinks fetchform4.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 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)$curl_path cURL binary 的目录, 如果没有cURL binary就设置为 false四、以下是demo复制代码include "Snoopy.class.php";$snoopy = new Snoopy;$snoopy->proxy_host = "www.phpoac.com";$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.phpoac.com")){echo " 

".htmlspecialchars($snoopy->results)." 

\n"; 
} 
else 
echo "error fetching document: ".$snoopy->error."\n";snoopy采集phpoac示例复制代码//采集php开源网set_time_limit(0);require_once("Snoopy.class.php");$snoopy=new Snoopy();//登陆论坛$submit_url = "http://www.phpoac.com/bbs/logging.php?action=login";$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$snoopy->fetchlinks("http://www.phpoac.com/bbs");$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%3D1&page=1&sid=iBLZfKif (!preg_match("/^(http:\/\/www\.phpoac\.com\/bbs\/viewthread\.php\?tid=)[0-9]*&extra=page\%3D1&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 {$paget[$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("/ 

(.*) /i",$temp,$tt))

{echo "no title";exit;}else{$title[$u]=$tt[1][1];}unset($tt);//读取内容if (!preg_match_all("/ 

(.*) /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("/ 

(.*) /i",$temp,$tt))

{echo "no title";exit;}else{$title[$u]=$tt[1][1];}unset($tt);//读取内容if (!preg_match_all("/ 

(.*) /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;}?>

以上就介绍了snoopy 简介及使用，包括了方面的内容，希望对PHP教程有兴趣的朋友有所帮助。