php類Snoopy簡單分析如何使用

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。Snoopy正確運行須要你的服務器的PHP版本在4.0以上，而且支持PCRE（Perl Compatible Regular Expressions），基本的LAMP服務都支持。Snoopy類的下載地址爲：http://sourceforge.net/projects/snoopy/files/?source=navbar

1、Snoopy的一些特色:

1.抓取網頁的內容 fetch
2.抓取網頁的文本內容 (去除HTML標籤) fetchtext
3.抓取網頁的連接，表單 fetchlinks fetchform
4.支持代理主機
5.支持基本的用戶名/密碼驗證
6.支持設置user_agent, referer(來路), cookies和header content(頭文件)
7.支持瀏覽器重定向，並能控制重定向深度
8.能把網頁中的連接擴展成高質量的url(默認)
9.提交數據而且獲取返回值
10.支持跟蹤HTML框架
11.支持重定向的時候傳遞cookies，要求php4以上就能夠了，因爲自己是php一個類，無需擴支持，服務器不支持curl時候的最好選擇。

2、類方法:

fetch($URI)
這是爲了抓取網頁的內容而使用的方法。$URI參數是被抓取網頁的URL地址。抓取的結果被存儲在 $this->results 中。若是你正在抓取的是一個框架，Snoopy將會將每一個框架追蹤後存入數組中，而後存入 $this->results。

fetchtext($URI)
本方法相似於fetch()，惟一不一樣的就是本方法會去除HTML標籤和其餘的無關數據，只返回網頁中的文字內容。

fetchform($URI)
本方法相似於fetch()，惟一不一樣的就是本方法會去除HTML標籤和其餘的無關數據，只返回網頁中表單內容(form)。

fetchlinks($URI)
本方法相似於fetch()，惟一不一樣的就是本方法會去除HTML標籤和其餘的無關數據，只返回網頁中連接(link)。
默認狀況下，相對連接將自動補全，轉換成完整的URL。

submit($URI,$formvars)
本方法向$URL指定的連接地址發送確認表單。$formvars是一個存儲表單參數的數組。

submittext($URI,$formvars)
本方法相似於submit()，惟一不一樣的就是本方法會去除HTML標籤和其餘的無關數據，只返回登錄後網頁中的文字內容。

submitlinks($URI)
本方法相似於submit()，惟一不一樣的就是本方法會去除HTML標籤和其餘的無關數據，只返回網頁中連接(link)。
默認狀況下，相對連接將自動補全，轉換成完整的URL。

3、類屬性: (缺省值在括號裏)

$host 鏈接的主機
$port 鏈接的端口
$proxy_host 使用的代理主機，若是有的話
$proxy_port 使用的代理主機端口，若是有的話
$agent 用戶代理假裝 (Snoopy v0.1)
$referer 來路信息，若是有的話
$cookies cookies， 若是有的話
$rawheaders 其餘的頭信息, 若是有的話
$maxredirs 最大重定向次數， 0=不容許 (5)
$offsiteok whether or not to allow redirects off-site. (true)
$expandlinks 是否將連接都補全爲完整地址 (true)
$user 認證用戶名, 若是有的話
$pass 認證用戶名, 若是有的話
$accept http 接受類型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
$error 哪裏報錯, 若是有的話
$response_code 從服務器返回的響應代碼
$headers 從服務器返回的頭信息
$maxlength 最長返回數據長度
$read_timeout 讀取操做超時 (requires PHP 4 Beta 4+)
設置爲0爲沒有超時
$timed_out 若是一次讀取操做超時了，本屬性返回 true (requires PHP 4 Beta 4+)
$maxframes 容許追蹤的框架最大數量
$status 抓取的http的狀態
$temp_dir 網頁服務器可以寫入的臨時文件目錄 (/tmp)
$curl_path cURL binary 的目錄, 若是沒有cURL binary就設置爲 false

4、如下是demo

< ?
include "Snoopy.class.php";
$snoopy = new Snoopy;
$snoopy->proxy_host = "www.onesheng.cn";
$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.onesheng.cn"))
{
      echo " <PRE>".htmlspecialchars($snoopy->results)." </PRE>\n";
}
else
    echo "error fetching document: ".$snoopy->error."\n";
? >

　　snoopy採集phpoac示例（以www.onesheng.cn爲準）

< ?
//採集php開源網
set_time_limit(0);
require_once("Snoopy.class.php");
$snoopy=new Snoopy();
//登錄論壇
$submit_url = "http://www.onesheng.cn";
$submit_vars["loginmode"] = "normal";
$submit_vars["styleid"] = "1";
$submit_vars["cookietime"] = "315360000";
$submit_vars["loginfield"] = "username";
$submit_vars["username"] = "***"; //你的用戶名
$submit_vars["password"] = "*****"; //你的密碼
$submit_vars["questionid"] = "0";
$submit_vars["answer"] = "";
$submit_vars["loginsubmit"] = "提 交";
$snoopy->submit($submit_url,$submit_vars);
if ($snoopy->results)
{
    //獲取鏈接地址
    $snoopy->fetchlinks("http://www.onesheng.cn");
    $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地址即論壇板塊地址
        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);
    //獲取到板塊數組$url，循環訪問，此處獲取第一個模塊第一頁的數據
    $i=0;
    foreach ($url as $key=>$value)
    {
        if ($i>=1)
        {
            //測試限制
            break;
        }
        else
        {
            //訪問該模塊，提取帖子的鏈接地址，正式訪問裏須要提取帖子分頁的數據，而後根據分頁數據提取帖子數據
            $snoopy=new Snoopy();
            $snoopy->fetchlinks($value);
            $tie=array();
            $tie[$i]=$snoopy->results;
            //print_r($tie);
            //轉換數組
            foreach ($tie[$i] as $key=>$value)
            {
                //匹配http://www.phpoac.com/bbs/viewthread.php?tid=68127&extra=page=1&page=1&sid=iBLZfK
                if (!preg_match("/^(http:\/\/www\.phpoac\.com\/bbs\/viewthread\.php\?tid=)[0-9]*&extra=page\=1&page=[0-9]*&sid=[a-zA-Z]{6}/i",$value))
                {
                    unset($tie[$i][$key]);
                }
            }
            //print_r($tie[$i]);
            //歸類數組，將同一個帖子不一樣頁面的內容放一個數組裏
            $left='';//鏈接左邊公用地址
            $j=0;
            $page=array();
            foreach ($tie[$i] as $key=>$value)
            {
                $left=substr($value,0,52);
                $m=0;
                foreach ($tie[$i] as $pkey=>$pvalue)
                {
                    //重組數組
                    if (substr($pvalue,0,52)==$left)
                    {
                        $page[$j][$m]=$pvalue;
                        $m++;
                    }
                }
                $j++;
            }
            //去除重複項開始
            //$page=array_unique($page);只能用於一維數組
            $paget[0]=$page[0];
            $nums=count($page);
            for ($n=1;$n <$nums;$n++)
            {
                $paget[$n]=array_diff($page[$n],$page[$n-1]);
            }
            //去除多維數組重複值結束
            //去除數組空值
            unset($page);
            $page=array();//從新定義page數組
            $page=array_filter($paget);
            //print_r($page);
            $u=0;
            $title=array();
            $content=array();
            $temp='';
            $tt=array();
            foreach ($page as $key=>$value)
            {
                //外圍循環，針對一個帖子
                if (is_array($value))
                {
                    foreach ($value as $k1=>$v1)
                    {
                        //頁內循環，針對一個帖子的N頁
                        $snoopy=new Snoopy();
                        $snoopy->fetch($v1);
                        $temp=$snoopy->results;
                        //讀取標題
                        if (!preg_match_all("/ <h2>(.*) <\/h2>/i",$temp,$tt))
                        {
                            echo "no title";
                            exit;
                        }
                        else
                        {
                            $title[$u]=$tt[1][1];
                        }
                        unset($tt);
                        //讀取內容
                        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
                {
                    //直接取頁內容
                    $snoopy=new Snoopy();
                    $snoopy->fetch($value);
                    $temp=$snoopy->results;
                    //讀取標題
                    if (!preg_match_all("/ <h2>(.*) <\/h2>/i",$temp,$tt))
                    {
                        echo "no title";
                        exit;
                    }
                    else
                    {
                        $title[$u]=$tt[1][1];
                    }
                    unset($tt);
                    //讀取內容
                    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;
}
? >