PHP爬蟲最全總結2-phpQuery，PHPcrawer，snoopy框架中文介紹

時間 2019-11-07

標籤 php 爬蟲總結 phpquery phpcrawer snoopy 框架中文介紹欄目 PHP 简体版

原文原文鏈接

1.幾種經常使用的PHP爬蟲框架對比

1.1 phpQuery

優點：相似jquery的強大搜索DOM的能力。
pq()是一個功能強大的搜索DOM的方法，跟jQuery的$()一模一樣，jQuery的選擇器基本上都能使用在phpQuery上，只要把「.」變成「->」,Demo以下(對應個人github的Demo5)php

<?php 
 require('phpQuery/phpQuery.php');
 phpQuery::newDocumentFile('http://www.baidu.com/'); 
 $menu_a = pq("a"); 
 foreach($menu_a as $a){
    echo pq($a)->html()."<br>";
 } 
 foreach($menu_a as $a){
    echo pq($a)->attr("href")."<br>";
 } 
?>

1.2 PHPcrawer

優點：過濾能力比較強。
官方給的Demo以下（個人github中對應demo4）：html

<?php 
    include("PHPCrawl/libs/PHPCrawler.class.php");
    class MyCrawler extends PHPCrawler 
    { 
      function handleDocumentInfo(PHPCrawlerDocumentInfo $PageInfo) 
      { // As example we just print out the URL of the document 
        echo $PageInfo->url."<br>"; 
      } 
    }
    $crawler = new MyCrawler(); 
    $crawler->setURL("www.baidu.com"); 
    $crawler->addURLFilterRule("#\.(jpg|gif)$# i");
    //過濾到含有這些圖片格式的URL
    $crawler->go();
 ?>

1.3 snoopy

優點：提交表單，設置代理等
Snoopy是一個php類，用來模擬瀏覽器的功能，能夠獲取網頁內容，發送表單，
demo以下（對應github中的demo3）：mysql

include 'Snoopy/Snoopy.class.php';
$snoopy = new Snoopy();
$url = "http://www.baidu.com";
// $snoopy->fetch($url);
// $snoopy->fetchtext($url);//去除HTML標籤和其餘的無關數據
$snoopy->fetchform($url);//只獲取表單
//只返回網頁中連接 默認狀況下，相對連接將自動補全，轉換成完整的URL。
// $snoopy->fetchlinks($url);
var_dump($snoopy->results);

1.4 phpspider

優點：安裝配置到數據庫
提供了安裝配置，可以直接鏈接mysql數據庫，使用也是比較普遍，這裏咱們暫時不單獨介紹。jquery

2.模擬用戶行爲

2.1 file_get_contents

<?php
$opts = array(
  'http'=>array(
    'method'=>"GET",
    'header'=>"Accept-language: en\r\n" .
              "Cookie: foo=bar\r\n"
  )
);

$context = stream_context_create($opts);

/* Sends an http request to www.example.com
   with additional headers shown above */
$fp = fopen('http://www.example.com', 'r', false, $context);
fpassthru($fp);
fclose($fp);
?>

2.2 curl

$ch=curl_init();  //初始化一個cURL會話
curl_setopt($ch,CURLOPT_URL,$url);//設置須要獲取的 URL 地址
// 設置瀏覽器的特定header
curl_setopt($ch, CURLOPT_HTTPHEADER, array(
  "Host: www.baidu.com",
  "Connection: keep-alive",
  "Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",
  "Upgrade-Insecure-Requests: 1",
  "DNT:1",
  "Accept-Language: zh-CN,zh;q=0.8,en-GB;q=0.6,en;q=0.4,en-US;q=0.2",
  "Cookie:_za=4540d427-eee1-435a-a533-66ecd8676d7d;"    
));
$result=curl_exec($ch);//執行一個cURL會話

2.3 snoopy

表單提交

咱們的一個例子
form-demo.htmlgit

<!DOCTYPE html>
<html lang="en">
<head>
    <meta charset="UTF-8">
    <title>form-demo</title>
</head>
<body>
    <form action="./form-demo.php" method="post">
        用戶名:<input type="text" name="userName"><br>
        密 碼:<input type="password" name="password"><br>
        <input type="submit">
    </form>
</body>
</html>

form-demo.phpgithub

<?php 
    $userName = $_POST['userName'];
    $password = $_POST['password'];
    if($userName==="admin"&&$password==="admin"){
        echo "hello admin";
    }else{
        echo "login error";
    }
 ?>
 ```
提交表單
```php
<?php
include 'Snoopy/Snoopy.class.php';
$snoopy = new Snoopy();
$formvars["userName"] = "admin";
//userName 與服務器端/表單的name屬性一致
$formvars["password"] = "admin";
$action = "http://localhost:8000/spider/demo3/form-demo.php";//表單提交地址
$snoopy->submit($action,$formvars);
echo $snoopy->results;
?>




<div class="se-preview-section-delimiter"></div>

問題1：openssl extension required for HTTPS 增長對https的支持sql

php.in ==> ;extension=php_openssl.dll 去除註釋




<div class="se-preview-section-delimiter"></div>

問題2：405 Not Allowed增長數據庫

$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; //假裝瀏覽器
$snoopy->referer = "http://www.icultivator.com"; //假裝來源頁地址 http_referer
$snoopy->rawheaders["Pragma"] = "no-cache"; //cache 的http頭信息
$snoopy->rawheaders["X_FORWARDED_FOR"] = "122.0.74.166"; //假裝ip




<div class="se-preview-section-delimiter"></div>

問題3 : snoopy使用代理瀏覽器

$snoopy->proxy_host = "http://www.icultivator.com";
// HTTPS connections over proxy are currently not supported
$snoopy->proxy_port = "8080"; //使用代理
$snoopy->maxredirs = 2; //重定向次數
$snoopy->expandlinks = true; //是否補全連接 在採集的時候常常用到
$snoopy->maxframes = 5; //容許的最大框架數

問題：
其實嘗試了網站進行提交表單是有問題的。這樣簡單的處理是不能提交表單的，使用代理也是有問題
的。snoopy框架確實會有不少問題，後面有解決思路了再說。服務器