php开源采集类Snoopy.class.php功能使用介绍与下载地址

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

1. 采集页面内容

01	include('include/snoopy.class.php');

02	echo "<pre>";

03	$snoopy = new Snoopy;

04	$snoopy->host = 'http://www.baidu.com';

05	$snoopy-> fetchtext($snoopy->host); //获取所有文本内容（去掉html代码）

06

/*

07	$snoopy->fetch($snoopy->host); //获取页面所有链接

08	$snoopy->fetchlinks($snoopy->host); //获取页面所有链接

09	$snoopy->fetchlinks($snoopy->host); //获取链接

10	$snoopy->fetchform($snoopy->host);  //获取表单

11

*/

12	print_r($snoopy->results);

2. 下载指定url图片

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

02

03	function getImage($id,$url) {

04

05	$filename = $id . ".jpg";

06

07	$temp = new Snoopy;

08	$temp -> fetch($url);

09	if($temp->results != "") {

10	$handle = fopen("images/" . $filename, "w");

11	fwrite($handle, $temp->results);//写入抓得内容

12	fclose($handle);

13

}

14	return $filename;

15

}

3. 获取表单

1	$snoopy = new Snoopy;

2	$snoopy->fetchform("http://lzw.me/login.asp");

3	print $snoopy->results;

4. 表单提交（如登陆等）
 

01	$formvars["username"] = "test";

02	$formvars["pwd"] = "123456";

03

04	$action = "http://lzw.me/login.asp";//表单提交地址

05	$snoopy->submit($action,$formvars);//$formvars为提交的数组

06	echo $snoopy->results; //获取表单提交后的 返回的结果

07

/*可选

08	$snoopy->submittext($action,$formvars); //提交后只返回 去除html的 文本

09	$snoopy->submitlinks($action,$formvars); //提交后只返回 链接

10

*/

5. 伪装ip,伪装浏览器
 

查看源码

01	$formvars["username"] = "admin";

02	$formvars["pwd"] = "admin";

03	$action = "http://lzw.me";

04	include "snoopy.php";

05	$snoopy = new Snoopy;

06	$snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7'; //伪装sessionid

07	$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

08	$snoopy->referer = "http://lzw.me"; //伪装来源页地址 http_referer

09	$snoopy->rawheaders["Pragma"] = "no-cache"; //cache 的http头信息

10	$snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.101"; //伪装ip

11	$snoopy->submit($action,$formvars);

12	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