snoopy中文手册.doc

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正确运行需要你的服务器的PHP版本在4以上，并且支持PCRE（Perl Compatible Regular Expressions），基本的LAMP服务都支持。一、Snoopy的一些特点:1.抓取网页的内容 fetch2.抓取网页的文本内容 (去除HTML标签) fetchtext3.抓取网页的链接，表单 fetchlinks fetchform4.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。二、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($URI) -本方法类似于submit()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回网页中链接(link)。 默认情况下，相对链接将自动补全，转换成完整的URL。三、类属性: (缺省值在括号里)$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四、以下是demoinclude 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-cookiesSessionID = 238472834723489l; $snoopy-cookiesfavoriteColor = RED;$snoopy-rawheadersPragma = no-cache;$snoopy-maxredirs = 2; $snoopy-offsiteok = false; $snoopy-expandlinks = false;$snoopy-user = joe; $snoopy-pass = bloe;if($snoopy-fetchtext() echo .htmlspecialchars($snoopy-results). n; else echo error fetching document: .$snoopy-error.n;snoopy采集phpchina示例 submit($submit_url,$submit_vars); if ($snoopy-results) /获取连接地址 $snoopy-fetchlinks(/bbs); $url=array(); $url=$snoopy-results; /print_r($url); foreach ($url as $key=$value) /匹/bbs/forumdisplay.php?fid=156&sid=VfcqT地址即论坛板块地址 if (!preg_match(/(/bbs/forumdisplay.php?fid=)0-9*&sid=a-zA-Z6/i,$value) unset($url$key); /print_r($url); /获取到板块数组$url，循环访问，此处获取第一个模块第一页的数据 $i=0; foreach ($url as $key=$value) if ($i=1) /测试限制 break; else /访问该模块，提取帖子的连接地址，正式访问里需要提取帖子分页的数据，然后根据分页数据提取帖子数据 $snoopy=new Snoopy(); $snoopy-fetchlinks($value); $tie=array(); $tie$i=$snoopy-results; /print_r($tie); /转换数组 foreach ($tie$i as $key=$value) /匹配/bbs/viewthread.php?tid=68127&extra=page%3D1&page=1&sid=iBLZfK if (!preg_match(/(/bbs/viewthread.php?tid=)0-9*&extra=page%3D1&page=0-9*&sid=a-zA-Z6/i,$value) unset($tie$i$key); /print_r($tie$i); /归类数组，将同一个帖子不同页面的内容放一个数组里 $left=;/连接左边公用地址 $j=0; $page=array(); foreach ($tie$i as $key=$value) $left=substr($value,0,52); $m=0; foreach ($tie$i as $pkey=$pvalue) /重组数组 if (substr($pvalue,0,52)=$left) $page$j$m=$pvalue; $m+; $j+; /去除重复项开始 /$page=array_unique($page);只能用于一维数组 $paget0=$page0; $nums=count($page); for ($n=1;$n $value) /外围循环，针对一个帖子 if (is_array($value) foreach ($value as $k1=$v1) /页内循环，针对一个帖子的N页 $snoopy=new Snoopy(); $snoopy-fetch($v1); $temp=$snoopy-results; /读取标题 if (!preg_match_all(/ (.*) /i,$temp,$tt) echo no title; exit; else $title$u=$tt11; unset($tt); /读取内容 if (!preg_match_all(/ (.*) /i,$temp,$tt) print_r($tt); echo no content1; exit; else foreach ($tt1 as $c=$c2) $content$u.=$c2; else /直接取页内容 $snoopy=new Snoopy(); $snoopy-fetch($value); $temp=$snoopy-results; /读取标题 if (!preg_match_all(/ (.*) /i,$temp,$tt) echo no t