下載地址:http://sourceforge.net/projects/snoopy/
Snoopy是一個php類，用來模擬瀏覽器的功能，可以獲取網頁內容，發送表單。Snoopy正確運行需要你的服務器的PHP版本在4以上，並且支持PCRE（Perl Compatible Regular Expressions），基本的LAMP服務都支持。
一、Snoopy的一些特點:
1.抓取網頁的內容 fetch
2.抓取網頁的文本內容 (去除HTML標簽) fetchtext
3.抓取網頁的鏈接，表單 fetchlinks fetchform
4.支持代理主機
5.支持基本的用戶名/密碼驗證
6.支持設置user_agent, referer(來路), cookies和header content(頭文件)
7.支持瀏覽器重定向，並能控制重定向深度
8.能把網頁中的鏈接擴展成高質量的url(默認)
9.提交數據並且獲取返回值
10.支持跟蹤HTML框架
11.支持重定向的時候傳遞cookies，要求php4以上就可以了，由於本身是php一個類，無需擴支持，服務器不支持curl時候的最好選擇。
二、類方法:
fetch($URI)
———–
這是為了抓取網頁的內容而使用的方法。$URI參數是被抓取網頁的URL地址。抓取的結果被存儲在 $this->results 中。如果你正在抓取的是一個框架，Snoopy將會將每個框架追蹤后存入數組中，然后存入 $this->results。
fetchtext($URI)
—————
本方法類似於fetch()，唯一不同的就是本方法會去除HTML標簽和其他的無關數據，只返回網頁中的文字內容。
fetchform($URI)
—————
本方法類似於fetch()，唯一不同的就是本方法會去除HTML標簽和其他的無關數據，只返回網頁中表單內容(form)。
fetchlinks($URI)
—————-
本方法類似於fetch()，唯一不同的就是本方法會去除HTML標簽和其他的無關數據，只返回網頁中鏈接(link)。
默認情況下，相對鏈接將自動補全，轉換成完整的URL。
submit($URI,$formvars)
———————-
本方法向$URL指定的鏈接地址發送確認表單。$formvars是一個存儲表單參數的數組。
submittext($URI,$formvars)
————————–
本方法類似於submit()，唯一不同的就是本方法會去除HTML標簽和其他的無關數據，只返回登陸后網頁中的文字內容。
submitlinks($URI)
—————-
本方法類似於submit()，唯一不同的就是本方法會去除HTML標簽和其他的無關數據，只返回網頁中鏈接(link)。
默認情況下，相對鏈接將自動補全，轉換成完整的URL。
三、類屬性: (缺省值在括號里)
$host 連接的主機
$port 連接的端口
$proxy_host 使用的代理主機，如果有的話
$proxy_port 使用的代理主機端口，如果有的話
$agent 用戶代理偽裝 (Snoopy v0.1)
$referer 來路信息，如果有的話
$cookies cookies， 如果有的話
$rawheaders 其他的頭信息, 如果有的話
$maxredirs 最大重定向次數， 0=不允許 (5)
$offsiteok whether or not to allow redirects off-site. (true)
$expandlinks 是否將鏈接都補全為完整地址 (true)
$user 認證用戶名, 如果有的話
$pass 認證用戶名, 如果有的話
$accept http 接受類型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
$error 哪里報錯, 如果有的話
$response_code 從服務器返回的響應代碼
$headers 從服務器返回的頭信息
$maxlength 最長返回數據長度
$read_timeout 讀取操作超時 (requires PHP 4 Beta 4+)
設置為0為沒有超時
$timed_out 如果一次讀取操作超時了，本屬性返回 true (requires PHP 4 Beta 4+)
$maxframes 允許追蹤的框架最大數量
$status 抓取的http的狀態
$temp_dir 網頁服務器能夠寫入的臨時文件目錄 (/tmp)
$curl_path cURL binary 的目錄, 如果沒有cURL binary就設置為 false
四、以下是demo
include "Snoopy.class.php";
$snoopy = new Snoopy;
$snoopy->proxy_host = "www.baidu.com";
$snoopy->proxy_port = "8080";
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
$snoopy->referer = "http://www.baidu.com/";
$snoopy->cookies["SessionID"] = 238472834723489l;
$snoopy->cookies["favoriteColor"] = "RED";
$snoopy->rawheaders["Pragma"] = "no-cache";
$snoopy->maxredirs = 2;
$snoopy->offsiteok = false;
$snoopy->expandlinks = false;
$snoopy->user = "joe";
$snoopy->pass = "bloe";
if($snoopy->fetchtext("http://www.baidu.com"))
{
echo " <PRE>".htmlspecialchars($snoopy->results)." </PRE>\n"; <BR>
} <BR>
else <BR>
echo "error fetching document: ".$snoopy->error."\n";
snoopy采集phpchina示例
<?php
//采集phpchina
set_time_limit(0);
require_once("Snoopy.class.php");
$snoopy=new Snoopy();
//登陸論壇
$submit_url = "http://www.phpchina.com/bbs/logging.php?action=login";
$submit_vars["loginmode"] = "normal";
$submit_vars["styleid"] = "1";
$submit_vars["cookietime"] = "315360000";
$submit_vars["loginfield"] = "username";
$submit_vars["username"] = "***"; //你的用戶名
$submit_vars["password"] = "*****"; //你的密碼
$submit_vars["questionid"] = "0";
$submit_vars["answer"] = "";
$submit_vars["loginsubmit"] = "提 交";
$snoopy->submit($submit_url,$submit_vars);
if ($snoopy->results)
{
//獲取連接地址
$snoopy->fetchlinks("http://www.phpchina.com/bbs");
$url=array();
$url=$snoopy->results;
//print_r($url);
foreach ($url as $key=>$value)
{
//匹配http://www.phpchina.com/bbs/forumdisplay.php?fid=156&sid=VfcqTR地址即論壇板塊地址
if (!preg_match("/^(http:\/\/www\.phpchina\.com\/bbs\/forumdisplay\.php\?fid=)[0-9]*&sid=[a-zA-Z]{6}/i",$value))
{
unset($url[$key]);
}
}
//print_r($url);
//獲取到板塊數組$url，循環訪問，此處獲取第一個模塊第一頁的數據
$i=0;
foreach ($url as $key=>$value)
{
if ($i>=1)
{
//測試限制
break;
}
else
{
//訪問該模塊，提取帖子的連接地址，正式訪問里需要提取帖子分頁的數據，然后根據分頁數據提取帖子數據
$snoopy=new Snoopy();
$snoopy->fetchlinks($value);
$tie=array();
$tie[$i]=$snoopy->results;
//print_r($tie);
//轉換數組
foreach ($tie[$i] as $key=>$value)
{
//匹配http://www.phpchina.com/bbs/viewthread.php?tid=68127& extra=page%3D1&page=1&sid=iBLZfK
if (!preg_match("/^(http:\/\/www\.phpchina\.com\/bbs\/viewthread\.php\?tid=)[0-9]*&extra=page\%3D1&page=[0-9]*&sid=[a-zA-Z]{6}/i",$value))
{
unset($tie[$i][$key]);
}
}
//print_r($tie[$i]);
//歸類數組，將同一個帖子不同頁面的內容放一個數組里
$left='';//連接左邊公用地址
$j=0;
$page=array();
foreach ($tie[$i] as $key=>$value)
{
$left=substr($value,0,52);
$m=0;
foreach ($tie[$i] as $pkey=>$pvalue)
{
//重組數組
if (substr($pvalue,0,52)==$left)
{
$page[$j][$m]=$pvalue;
$m++;
}
}
$j++;
}
//去除重復項開始
//$page=array_unique($page);只能用於一維數組
$paget[0]=$page[0];
$nums=count($page);
for ($n=1;$n <$nums;$n++)
{
$paget[$n]=array_diff($page[$n],$page[$n-1]);
}
//去除多維數組重復值結束
//去除數組空值
unset($page);
$page=array();//重新定義page數組
$page=array_filter($paget);
//print_r($page);
$u=0;
$title=array();
$content=array();
$temp='';
$tt=array();
foreach ($page as $key=>$value)
{
//外圍循環，針對一個帖子
if (is_array($value))
{
foreach ($value as $k1=>$v1)
{
//頁內循環，針對一個帖子的N頁
$snoopy=new Snoopy();
$snoopy->fetch($v1);
$temp=$snoopy->results;
//讀取標題
if (!preg_match_all("/ <h2>(.*) <\/h2>/i",$temp,$tt))
{
echo "no title";
exit;
}
else
{
$title[$u]=$tt[1][1];
}
unset($tt);
//讀取內容
if (!preg_match_all("/ <div id=\"postmessage_[0-9]{1,8}\" class=\"t_msgfont\">(.*) <\/div>/i",$temp,$tt))
{
print_r($tt);
echo "no content1";
exit;
}
else
{
foreach ($tt[1] as $c=>$c2)
{
$content[$u].=$c2;
}
}
}
}
else
{
//直接取頁內容
$snoopy=new Snoopy();
$snoopy->fetch($value);
$temp=$snoopy->results;
//讀取標題
if (!preg_match_all("/ <h2>(.*) <\/h2>/i",$temp,$tt))
{
echo "no title";
exit;
}
else
{
$title[$u]=$tt[1][1];
}
unset($tt);
//讀取內容
if (!preg_match_all("/ <div id=\"postmessage_[0-9]*\" class=\"t_msgfont\">(.*) <\/div>/i",$temp,$tt))
{
echo "no content2";
exit;
}
else
{
foreach ($tt[1] as $c=>$c2)
{
$content[$u].=$c2;
}
}
}
$u++;
}
print_r($content);
}
$i++;
}
}
else
{
echo "login failed";
exit;
}
?>