php snoopy采集类(模拟浏览器)介绍

Snoopy是一个用来模拟浏览器的一些简单功能的php类,可以获取网页内容,发送表单等操作,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,由于它本身是php一个类,无需扩支持,因此在服务器不支持curl的时候是最好的选择.

Snoopy的特点:

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

Snoopy类的下载地址：http://sourceforge.net/projects/snoopy/

Snoopy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.

Snoopy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使用示例:

(1)获取指定url内容,代码如下:

1. $url='http://www.phpfensi.com'; 
2. include('snoopy.php'); 
3. $snoopy=new Snoopy; 
4. $snoopy->fetch($url);//获取所有内容  
5. echo $snoopy->results;//显示结果  
6. $snoopy->fetchtext //获取文本内容（去掉html代码）  
7. $snoopy->fetchlinks //获取页面所有链接  
8. $snoopy->fetchform //获取页面表单信息 

(2)提交表单,代码如下:

1. include 'snoopy.php'; 
2. $snoopy=new Snoopy; 
3. $formvars['username']='admin'; 
4. $formvars['pwd']='admin'; 
5. $action='http://www.phpfensi.com';//表单提交地址  
6. $snoopy->submit($action,$formvars);//$formvars为提交的数组  
7. echo $snoopy->results;//获取表单提交后的 返回的结果  
8. $snoopy->submittext;//提交后只返回去除html的文本  
9. $snoopy->submitlinks;//提交后只返回链接 

(3)使用Snoopy来伪装,代码如下:

1. $formvars['username']='admin'; 
2. $formvars['pwd']='admin'; 
3. $action='http://www.phpfensi.com'; 
4. include 'snoopy.php'; 
5. $snoopy=new Snoopy; 
6. $snoopy->cookies['PHPSESSID']='fc206b1918bd522cc863p36890e6notef7';//伪装sessionid  
7. $snoopy->agent='(compatible;MSIE 4.01;MSN 2.5;AOL 4.0;Windows 98)';//伪装浏览器  
8. $snoopy->referer='http://www.phpfensi.com';//伪装来源页地址 http_referer  
9. $snoopy->rawheaders['Pragma']='no-cache';//cache 的http头信息  
10. $snoopy->rawheaders['X_FORWARDED_FOR']='127.0.0.1';//伪装ip  
11. $snoopy->submit($action,$formvars); 
12. echo $snoopy->results;