php开源采集类Snoopy.class.php功能使用介绍与下载地址

目录
[隐藏]

当你使用php,并希望做一些采集的任务,那么你应该了解snoopy。

Snoopy是什么?

Snoopy是一个php类,用来模仿web浏览器的功能,它能完成获取网页内容和发送表单的任务。

Snoopy的一些特点:

* 方便抓取网页的内容
* 方便抓取网页的文本内容 (去除HTML标签)
* 方便抓取网页的链接
* 支持代理主机
* 支持基本的用户名/密码验证
* 支持设置 user_agent, referer(来路), cookies 和 header content(头文件)
* 支持浏览器转向,并能控制转向深度
* 能把网页中的链接扩展成高质量的url(默认)
* 方便提交数据并且获取返回值
* 支持跟踪HTML框架(v0.92增加)
* 支持再转向的时候传递cookies (v0.92增加)
* 支持再转向的时候传递cookies

要求:

Snoopy requires PHP with PCRE (Perl Compatible Regular Expressions),
which should be PHP 3.0.9 and up. For read timeout support, it requires
PHP 4 Beta 4 or later. Snoopy was developed and tested with PHP 3.0.12.

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

snoopy用法示例

1. 采集页面内容

include('include/snoopy.class.php');
echo "<pre>";
$snoopy = new Snoopy;
$snoopy->host = 'http://www.baidu.com';
$snoopy-> fetchtext($snoopy->host); //获取所有文本内容(去掉html代码)
/*
$snoopy->fetch($snoopy->host); //获取页面所有链接
$snoopy->fetchlinks($snoopy->host); //获取页面所有链接
$snoopy->fetchlinks($snoopy->host); //获取链接   
$snoopy->fetchform($snoopy->host);  //获取表单  
*/
print_r($snoopy->results);

2. 下载指定url图片

include_once( 'include/snoopy.class.php' );  //调用Snoopy类

function getImage($id,$url) {

 $filename = $id . ".jpg";

 $temp = new Snoopy;
 $temp -> fetch($url);
 if($temp->results != "") {
  $handle = fopen("images/" . $filename, "w");
  fwrite($handle, $temp->results);//写入抓得内容
  fclose($handle);
 }
 return $filename;
}

3. 获取表单

$snoopy = new Snoopy;  
$snoopy->fetchform("http://lzw.me/login.asp");  
print $snoopy->results; 

4. 表单提交(如登陆等)
 

$formvars["username"] = "test";   
$formvars["pwd"] = "123456";
   
$action = "http://lzw.me/login.asp";//表单提交地址   
$snoopy->submit($action,$formvars);//$formvars为提交的数组   
echo $snoopy->results; //获取表单提交后的 返回的结果   
/*可选
$snoopy->submittext($action,$formvars); //提交后只返回 去除html的 文本   
$snoopy->submitlinks($action,$formvars); //提交后只返回 链接 
*/

5. 伪装ip,伪装浏览器
 

$formvars["username"] = "admin";   
$formvars["pwd"] = "admin";   
$action = "http://lzw.me";   
include "snoopy.php";   
$snoopy = new Snoopy;   
$snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7'; //伪装sessionid   
$snoopy->agent = 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727'; //伪装浏览器   
$snoopy->referer = "http://lzw.me"; //伪装来源页地址 http_referer   
$snoopy->rawheaders["Pragma"] = "no-cache"; //cache 的http头信息   
$snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.101"; //伪装ip   
$snoopy->submit($action,$formvars);   
echo $snoopy->results;

snoopy下载

snoopy最新的是2008年更新的1.2.4版本,其开源下载地址如下,如果您下载遇到困难,可与志文工作室联系。

snoopy.class.php 1.2.4版本下载:http://sourceforge.net/projects/snoopy/files/latest/download?source=files

点赞 (3)
  1. 笨笨说道:
    Google Chrome 66.0.3359.139 Google Chrome 66.0.3359.139 Windows 10 x64 Edition Windows 10 x64 Edition

    在用这个snoopy抓取网页的html,出现乱码,网页编码gbk2312,如何解决,谢谢

  2. cc说道:
    Google Chrome 49.0.2623.75 Google Chrome 49.0.2623.75 Windows 7 x64 Edition Windows 7 x64 Edition

    怎么抓取图片 呢?

    1. 任侠说道:
      Google Chrome 58.0.3029.81 Google Chrome 58.0.3029.81 Windows 7 x64 Edition Windows 7 x64 Edition

      请认真阅读文章内容,2. 下载指定url图片 章节即为相关

      另外,使用 file_get_contents 方法也可直接下载到图片

  3. Era说道:
    TheWorld Browser TheWorld Browser Windows XP Windows XP

    如果是GET方式的提交,那么能模拟登陆么?

    1. 任侠说道:
      Google Chrome 36.0.1985.125 Google Chrome 36.0.1985.125 Windows 7 x64 Edition Windows 7 x64 Edition

      模拟登陆是可以的。

  4. 老大,你的文章不得不说又犀利了啊,哈哈,写的真心不错,加油!

  5. 中国奶茶说道:

    机器人抓起网页上面的东西是有规律的。。。

回复 任侠 取消回复

您的电子邮箱地址不会被公开。 必填项已用*标注

Captcha Code