PHP采集类snoopy实例介绍

Snoopy的一些功能特点：

• 抓取网页的内容 fetch()

• 抓取网页的文本内容 (去除HTML标签) fetchtext()

• 抓取网页的链接，表单 fetchlinks() fetchform()

• 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)

• 支持浏览器重定向，并能控制重定向深度

• 能把网页中的链接扩展成高质量的url(默认)

• 提交数据并且获取返回值

• 支持跟踪HTML框架

• 支持重定向的时候传递cookies

要求php4以上就可以。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。

1. 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。

1. <?php  $url = "http://www.nowamagic.net/librarys/veda/";  include("./Snoopy.html' target='_blank'>class.php");  $snoopy = new Snoopy;  $snoopy->fetch($url);        //获取所有内容echo $snoopy->results;       //显示结果?>

2. 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。

1. <?php  $url = "http://www.nowamagic.net/librarys/veda/";  include("./Snoopy.class.php");  $snoopy = new Snoopy;  $snoopy->fetchtext($url);        //获取文本内容echo $snoopy->results;       //显示结果?>

3. 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)。

4. 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。

5. 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。

6. 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。

7. 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

郑重声明：本文版权归原作者所有，转载文章仅为传播更多信息之目的，如作者信息标记有误，请第一时间联系我们修改或删除，多谢。