为了不可告人的目的 为了不为人知的功能 为了一家老小 ......... 走上采集之路. 本人也不看好以采集为生的网站,不过某些时候,还是需要用到采集的。比如你可以采集天气(天气也可以直接用一些网站提供的API接口实现,这里只是举个例子而已),采集一些综合资料。网上这方面的东西很多的。还有人专门做过一个bs版的采集系统,堪称敬业和专业。 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 1. include "Snoopy.class.php"; 2. $snoopy = new Snoopy; 3. 4. $snoopy->proxy_host = "www.7767.cn"; 5. $snoopy->proxy_port = "8080"; 6. 7. $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; 8. $snoopy->referer = "http://www.7767.cn/"; 9. 10. $snoopy->cookies["SessionID"] = 238472834723489l; 11. $snoopy->cookies["favoriteColor"] = "RED"; 12. 13. $snoopy->rawheaders["Pragma"] = "no-cache"; 14. 15. $snoopy->maxredirs = 2; 16. $snoopy->offsiteok = false; 17. $snoopy->expandlinks = false; 18. 19. $snoopy->user = "joe"; 20. $snoopy->pass = "bloe"; 21. 22. if($snoopy->fetchtext("http://www.7767.cn")) 23. { 24. echo "".htmlspecialchars($snoopy->results)."/n"; 25. } 26. else 27. echo "error fetching document: ".$snoopy->error."/n"; // 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 $html = file_get_html ('http://www.7767.cn/' ); //$html = file_get_html ('test.htm' ); //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 $myhtml = str_get_html ('Hello!' ); // 找到所有的图片,返回的是数组 foreach($html->find ('img' ) as $element) echo $element->src . '
' ; // 找到所有的链接 foreach($html->find ('a' ) as $element) echo $element->href . '
' ; 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 simplehtmldom_1_11/simplehtmldom/manual/manual.htm 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 () 里面还有个例子文件夹,还不熟悉的,可以直接运行个例子,就明白了。
采集 利器
最新推荐文章于 2023-12-25 11:49:02 发布