這里介紹兩個php采集能用到的好工具。一個是Snoopy，一個是simple_html_dom。采集還有很多方式（其實本質(zhì)就2-3種，其他的都是衍生的），php自帶了幾個方法也能直接進行采集。但是，出于把懶惰進行到底的精神。我們還是可以通過這兩個工具，讓采集變得更簡單。
網(wǎng)上有不少介紹Snoopy的，下面是別人翻譯的Snoopy的SDK
Snoopy是一個php類，用來模擬瀏覽器的功能，可以獲取網(wǎng)頁內(nèi)容，發(fā)送表單。
Snoopy的一些特點:
- 1抓取網(wǎng)頁的內(nèi)容 fetch
- 2抓取網(wǎng)頁的文本內(nèi)容 (去除HTML標(biāo)簽) fetchtext
- 3抓取網(wǎng)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(shè)置 user_agent, referer(來路), cookies 和 header content(頭文件)
- 7支持瀏覽器重定向，并能控制重定向深度
- 8能把網(wǎng)頁中的鏈接擴展成高質(zhì)量的url(默認)
- 9提交數(shù)據(jù)并且獲取返回值
- 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 由于本身是php一個類 無需擴支持 服務(wù)器不支持curl時候的最好選擇，
類方法:
fetch($URI)
這是為了抓取網(wǎng)頁的內(nèi)容而使用的方法。
$URI參數(shù)是被抓取網(wǎng)頁的URL地址。
抓取的結(jié)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(shù)組中，然后存入 $this->results。
fetchtext($URI)
本方法類似于fetch()，唯一不同的就是本方法會去除HTML標(biāo)簽和其他的無關(guān)數(shù)據(jù)，只返回網(wǎng)頁中的文字內(nèi)容。
fetchform($URI)
本方法類似于fetch()，唯一不同的就是本方法會去除HTML標(biāo)簽和其他的無關(guān)數(shù)據(jù)，只返回網(wǎng)頁中表單內(nèi)容(form)。
fetchlinks($URI)
本方法類似于fetch()，唯一不同的就是本方法會去除HTML標(biāo)簽和其他的無關(guān)數(shù)據(jù)，只返回網(wǎng)頁中鏈接(link)。
默認情況下，相對鏈接將自動補全，轉(zhuǎn)換成完整的URL。
submit($URI,$formvars)
本方法向$URL指定的鏈接地址發(fā)送確認表單。$formvars是一個存儲表單參數(shù)的數(shù)組。
submittext($URI,$formvars)
本方法類似于submit()，唯一不同的就是本方法會去除HTML標(biāo)簽和其他的無關(guān)數(shù)據(jù)，只返回登陸后網(wǎng)頁中的文字內(nèi)容。
submitlinks($URI)
本方法類似于submit()，唯一不同的就是本方法會去除HTML標(biāo)簽和其他的無關(guān)數(shù)據(jù)，只返回網(wǎng)頁中鏈接(link)。
默認情況下，相對鏈接將自動補全，轉(zhuǎn)換成完整的URL。
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(shù)， 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(wù)器返回的響應(yīng)代碼
- $headers 從服務(wù)器返回的頭信息
- $maxlength 最長返回數(shù)據(jù)長度
- $read_timeout 讀取操作超時 (requires PHP 4 Beta 4+) 設(shè)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(shù)量
- $status 抓取的http的狀態(tài)
- $temp_dir 網(wǎng)頁服務(wù)器能夠?qū)懭氲呐R時文件目錄 (/tmp)
- $curl_path cURL binary 的目錄, 如果沒有cURL binary就設(shè)置為 false
以下是demo
代碼如下:
include "Snoopy.class.php";
$snoopy = new Snoopy;
$snoopy->proxy_host = "";
$snoopy->proxy_port = "8080";
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
$snoopy->referer = "";
$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(""))
{
echo "<PRE>lspecialchars($snoopy->results)."</PRE>
";
}
else
echo "error fetching document: ".$snoopy->error."
";
Snoopy的特點是“大”和“全”，一個fetch什么都采到了，可以作為采集的第一步。接下來就需要用simple_html_dom來細細的把想要的部分，扣出來。當(dāng)然，如果你特別特別擅長正則，而且又鐘愛正則，你也可以用正則去匹配抓取。
simple_html_dom其實是一個dom解析的過程。php內(nèi)部也提供了一些解析的方法，但是這個simple_html_dom可以說做得比較專業(yè)，一個類，滿足了很多你想要的功能。
// 用一個URL或文件名，創(chuàng)建一個目標(biāo)文檔對象 ，也就是目標(biāo)網(wǎng)頁
$html = file_get_html ('' );
//$html = file_get_html ('' );
//用一個字符串作為一個目標(biāo)網(wǎng)頁。你可以通過Snoopy獲取頁面，然后再拿到這里來處理
$myhtml = str_get_html ('<html><body>Hello!</body></html>' );
// 找到所有的圖片，返回的是數(shù)組
foreach($html->find ('img' ) as $element)
echo $element->src . '<br>' ;
// 找到所有的鏈接
foreach($html->find ('a' ) as $element)
echo $element->href . '<br>' ;
find方法很好用，通常它返回的是一個包含對象的數(shù)組。查找目標(biāo)元素的時候可以通過class或者id，或者其他屬性獲取目標(biāo)字符串。
//通過目標(biāo)div的class屬性，查找div，find方法中第二個參數(shù)是返回的那個數(shù)組中的第幾個。從0開始是第一個
$target_div = $html->find ('div.targetclass',0 );
//查看結(jié)果是否是你想要的，直接echo就可以了
echo $target_div;
//比較關(guān)鍵的一點是，這個采集對象創(chuàng)建完后，一定要銷毀掉，否則php頁面有可能會“卡”上30秒左右，這個取決于你服務(wù)器的那個時間限制。銷毀的方法是：
$html->clear();
unset($html);
本人認為simple_html_dom比較優(yōu)秀的地方就是，把采集控制得像JS一樣容易。在下面提供的下載包中有英文的手冊
| array $e->getAllAttributes () | array $e->attr |
| string $e->getAttribute ( $name ) | string $e->attribute |
| void $e->setAttribute ( $name, $value ) | void $value = $e->attribute |
| bool $e->hasAttribute ( $name ) | bool isset($e->attribute ) |
| void $e->removeAttribute ( $name ) | void $e->attribute = null |
| element $e->getElementById ( $id ) | mixed $e->find ( "#$id", 0 ) |
| mixed $e->getElementsById ( $id [,$index] ) | mixed $e->find ( "#$id" [, int $index] ) |
| element $e->getElementByTagName ($name ) | mixed $e->find ( $name, 0 ) |
| mixed $e->getElementsByTagName ( $name [, $index] ) | mixed $e->find ( $name [, int $index] ) |
| element $e->parentNode () | element $e->parent () |
| mixed $e->childNodes ( [$index] ) | mixed $e->children ( [int $index] ) |
| element $e->firstChild () | element $e->first_child () |
| element $e->lastChild () | element $e->last_child () |
| element $e->nextSibling () | element $e->next_sibling () |
| element $e->previousSibling () | element $e->prev_sibling () |