正文

php采集Snoopy+simple_html_dom的实例代码

︶ㄣ速达网 メ
米米素材网V管理员 / 阅读
0723

这里介绍两个php采集能用到的好工具。一个是Snoopy，一个是simple_html_dom。采集还有很多方式（其实本质就2-3种，其他的都是衍生的），php自带了几个方法也能直接进行采集。但是，出于把懒惰进行到底的精神。我们还是可以通过这两个工具，让采集变得更简单。

网上有不少介绍Snoopy的，下面是别人翻译的Snoopy的SDK

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，

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。

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

以下是demo

代码如下:
include "Snoopy.class.php";
$snoopy = new Snoopy;
$snoopy->proxy_host = "";
$snoopy->proxy_port = "8080";
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
$snoopy->referer = "";
$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(""))
{
   echo "<PRE>lspecialchars($snoopy->results)."</PRE> ";
}
else
echo "error fetching document: ".$snoopy->error." ";

Snoopy的特点是“大”和“全”，一个fetch什么都采到了，可以作为采集的第一步。接下来就需要用simple_html_dom来细细的把想要的部分，扣出来。当然，如果你特别特别擅长正则，而且又钟爱正则，你也可以用正则去匹配抓取。

simple_html_dom其实是一个dom解析的过程。php内部也提供了一些解析的方法，但是这个simple_html_dom可以说做得比较专业，一个类，满足了很多你想要的功能。

// 用一个URL或文件名，创建一个目标文档对象 ，也就是目标网页
$html = file_get_html ('' );
//$html = file_get_html ('' );

//用一个字符串作为一个目标网页。你可以通过Snoopy获取页面，然后再拿到这里来处理
$myhtml = str_get_html ('<html><body>Hello!</body></html>' );

// 找到所有的图片，返回的是数组 
foreach($html->find ('img' ) as $element) 
       echo $element->src . '<br>' ;

// 找到所有的链接 
foreach($html->find ('a' ) as $element) 
       echo $element->href . '<br>' ;

find方法很好用，通常它返回的是一个包含对象的数组。查找目标元素的时候可以通过class或者id，或者其他属性获取目标字符串。

//通过目标div的class属性，查找div，find方法中第二个参数是返回的那个数组中的第几个。从0开始是第一个
$target_div = $html->find ('div.targetclass',0 );

//查看结果是否是你想要的，直接echo就可以了
echo  $target_div;

//比较关键的一点是，这个采集对象创建完后，一定要销毁掉，否则php页面有可能会“卡”上30秒左右，这个取决于你服务器的那个时间限制。销毁的方法是：
$html->clear();
unset($html);

本人认为simple_html_dom比较优秀的地方就是，把采集控制得像JS一样容易。在下面提供的下载包中有英文的手册
 

array $e->getAllAttributes () array $e->attr
string $e->getAttribute ( $name ) string $e->attribute
void $e->setAttribute ( $name, $value ) void $value = $e->attribute
bool $e->hasAttribute ( $name ) bool isset($e->attribute )
void $e->removeAttribute ( $name ) void $e->attribute = null
element $e->getElementById ( $id ) mixed $e->find ( "#$id", 0 )
mixed $e->getElementsById ( $id [,$index] ) mixed $e->find ( "#$id" [, int $index] )
element $e->getElementByTagName ($name ) mixed $e->find ( $name, 0 )
mixed $e->getElementsByTagName ( $name [, $index] ) mixed $e->find ( $name [, int $index] )
element $e->parentNode () element $e->parent ()
mixed $e->childNodes ( [$index] ) mixed $e->children ( [int $index] )
element $e->firstChild () element $e->first_child ()
element $e->lastChild () element $e->last_child ()
element $e->nextSibling () element $e->next_sibling ()
element $e->previousSibling () element $e->prev_sibling ()