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:
$url = 'http://www.phpfensi.com' ;
include ( 'snoopy.php' );
$snoopy = new Snoopy;
$snoopy ->fetch( $url ); //获取所有内容
echo $snoopy ->results; //显示结果
$snoopy ->fetchtext //获取文本内容（去掉html代码）
$snoopy ->fetchlinks //获取页面所有链接
$snoopy ->fetchform //获取页面表单信息(2)提交表单,代码如下:
include 'snoopy.php' ;
$snoopy = new Snoopy;
$formvars [ 'username' ]= 'admin' ;
$formvars [ 'pwd' ]= 'admin' ;
$action = 'http://www.phpfensi.com' ;//表单提交地址
$snoopy ->submit( $action , $formvars ); //$formvars为提交的数组
echo $snoopy ->results; //获取表单提交后的 返回的结果
$snoopy ->submittext; //提交后只返回去除html的文本
$snoopy ->submitlinks; //提交后只返回链接(3)使用Snoopy来伪装,代码如下:
$formvars [ 'username' ]= 'admin' ;
$formvars [ 'pwd' ]= 'admin' ;
$action = 'http://www.phpfensi.com' ;
include 'snoopy.php' ;
$snoopy = new Snoopy;
$snoopy ->cookies[ 'PHPSESSID' ]= 'fc206b1918bd522cc863p36890e6notef7' ; //伪装sessionid
$snoopy ->agent= '(compatible;MSIE 4.01;MSN 2.5;AOL 4.0;Windows 98)' ; //伪装浏览器
$snoopy ->referer= 'http://www.phpfensi.com' ;//伪装来源页地址 http_referer
$snoopy ->rawheaders[ 'Pragma' ]= 'no-cache' ; //cache 的http头信息
$snoopy ->rawheaders[ 'X_FORWARDED_FOR' ]= '127.0.0.1' ; //伪装ip
$snoopy ->submit( $action , $formvars );
echo $snoopy ->results;
