深入php数据采集的详情

发布时间：2022-07-15 01:44:05 所属栏目：PHP教程来源：互联网

导读：这里介绍两个php采集能用到的好工具。一个是Snoopy，一个是simple_html_dom。采集还有很多方式（其实本质就2-3种，其他的都是衍生的），php自带了几个方法也能直接进行采集。但是，出于把懒惰进行到底的精神。我们还是可以通过这两个工具，让采集变得更简

　　这里介绍两个php采集能用到的好工具。一个是Snoopy，一个是simple_html_dom。采集还有很多方式（其实本质就2-3种，其他的都是衍生的），php自带了几个方法也能直接进行采集。但是，出于把懒惰进行到底的精神。我们还是可以通过这两个工具，让采集变得更简单。

　　网上有不少介绍Snoopy的，下面是别人翻译的Snoopy的SDK

　　//////////////////////////////////////////////////////////////

　　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的一些特点:

　　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

　　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

　　以下是demo

　　复制代码代码如下:www.CuoXIn.com

　　include "Snoopy.class.php";

　　$snoopy = new Snoopy;

　　$snoopy->proxy_host = "www.7767.cn";

　　$snoopy->proxy_port = "8080";

　　$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";

　　$snoopy->referer = "http://www.7767.cn/";

　　$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.7767.cn"))

　　{

　　echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>/n";

　　}

　　else

　　echo "error fetching document: ".$snoopy->error."/n";

　　//////////////////////////////////////////////////////////////

　　Snoopy的特点是“大”和“全”，一个fetch什么都采到了，可以作为采集的第一步。接下来就需要用simple_html_dom来细细的把想要的部分，扣出来。当然，如果你特别特别擅长正则，而且又钟爱正则，你也可以用正则去匹配抓取。

　　simple_html_dom其实是一个dom解析的过程。php内部也提供了一些解析的方法，但是这个simple_html_dom可以说做得比较专业，一个类，满足了很多你想要的功能。

　　////////////////////////////////////////////////////////////////

　　// 用一个URL或文件名，创建一个目标文档对象，也就是目标网页

　　$html = file_get_html ('http://www.7767.cn/' );

　　//$html = file_get_html ('test.htm' );

　　//用一个字符串作为一个目标网页。你可以通过Snoopy获取页面，然后再拿到这里来处理

　　$myhtml = str_get_html ('<html><body>Hello!</body></html>' );

　　// 找到所有的图片，返回的是数组

　　foreach($html->find ('img' ) as $element)

　　echo $element->src . '<br>' ;

　　// 找到所有的链接

　　foreach($html->find ('a' ) as $element)

　　echo $element->href . '<br>' ;

　　find方法很好用，通常它返回的是一个包含对象的数组。查找目标元素的时候可以通过class或者id，或者其他属性获取目标字符串。

　　//通过目标div的class属性，查找div，find方法中第二个参数是返回的那个数组中的第几个。从0开始是第一个

　　$target_div = $html->find ('div.targetclass',0 );

　　//查看结果是否是你想要的，直接echo就可以了

　　echo $target_div;

　　//比较关键的一点是，这个采集对象创建完后，一定要销毁掉，否则php页面有可能会“卡”上30秒左右，这个取决于你服务器的那个时间限制。销毁的方法是：

　　$html->clear();

　　unset($html);

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，

　　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。

　　本人认为simple_html_dom比较优秀的地方就是，把采集控制得像JS一样容易。

（编辑：PHP编程网 - 黄冈站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!

php将12小时制转换成2	PHP递归调用数组值并用
php生成随机密码的几种	php使用CURL伪造IP和来