PHP爬虫最全总结2-phpQuery，PHPcrawer，snoopy框架中文介绍

来源：互联网发布：关口知宏2017来中国编辑：程序博客网时间：2024/06/06 05:08

第一篇文章介绍了使用原生的PHP和PHP的扩展库实现了爬虫技术。本文尝试使用PHP爬虫框架来写，首先对三种爬虫技术phpQuery，PHPcrawer， snoopy进行对比，然后分析模拟浏览器行为的方式，重点介绍下snoopy

所有代码挂在我的github上

1.几种常用的PHP爬虫框架对比

1.1 phpQuery

优势：类似jquery的强大搜索DOM的能力。
pq()是一个功能强大的搜索DOM的方法，跟jQuery的$()如出一辙，jQuery的选择器基本上都能使用在phpQuery上，只要把“.”变成“->”,Demo如下(对应我的github的Demo5)

<?php  require('phpQuery/phpQuery.php'); phpQuery::newDocumentFile('http://www.baidu.com/');  $menu_a = pq("a");  foreach($menu_a as $a){    echo pq($a)->html()."<br>"; }  foreach($menu_a as $a){    echo pq($a)->attr("href")."<br>"; } ?>1
2
3
4
5
6
7
8
9
10
11

1.2 PHPcrawer

优势：过滤能力比较强。
官方给的Demo如下（我的github中对应demo4）：

<?php     include("PHPCrawl/libs/PHPCrawler.class.php");    class MyCrawler extends PHPCrawler     {       function handleDocumentInfo(PHPCrawlerDocumentInfo $PageInfo)       { // As example we just print out the URL of the document         echo $PageInfo->url."<br>";       }     }    $crawler = new MyCrawler();     $crawler->setURL("www.baidu.com");     $crawler->addURLFilterRule("#\.(jpg|gif)$# i");    //过滤到含有这些图片格式的URL    $crawler->go(); ?>1
2
3
4
5
6
7
8
9
10
11
12
13
14
15

1.3 snoopy

优势：提交表单，设置代理等
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，
demo如下（对应github中的demo3）：

include 'Snoopy/Snoopy.class.php';$snoopy = new Snoopy();$url = "http://www.baidu.com";// $snoopy->fetch($url);// $snoopy->fetchtext($url);//去除HTML标签和其他的无关数据$snoopy->fetchform($url);//只获取表单//只返回网页中链接 默认情况下，相对链接将自动补全，转换成完整的URL。// $snoopy->fetchlinks($url);var_dump($snoopy->results);1
2
3
4
5
6
7
8
9

1.4 phpspider

优势：安装配置到数据库
提供了安装配置，能够直接连接mysql数据库，使用也是比较广泛，这里我们暂时不单独介绍。

2.模拟用户行为

2.1 file_get_contents

<?php$opts = array(  'http'=>array(    'method'=>"GET",    'header'=>"Accept-language: en\r\n" .              "Cookie: foo=bar\r\n"  ));$context = stream_context_create($opts);/* Sends an http request to www.example.com   with additional headers shown above */$fp = fopen('http://www.example.com', 'r', false, $context);fpassthru($fp);fclose($fp);?>1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

2.2 curl

$ch=curl_init();  //初始化一个cURL会话curl_setopt($ch,CURLOPT_URL,$url);//设置需要获取的 URL 地址// 设置浏览器的特定headercurl_setopt($ch, CURLOPT_HTTPHEADER, array(  "Host: www.baidu.com",  "Connection: keep-alive",  "Accept: text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8",  "Upgrade-Insecure-Requests: 1",  "DNT:1",  "Accept-Language: zh-CN,zh;q=0.8,en-GB;q=0.6,en;q=0.4,en-US;q=0.2",  "Cookie:_za=4540d427-eee1-435a-a533-66ecd8676d7d;"    ));$result=curl_exec($ch);//执行一个cURL会话1
2
3
4
5
6
7
8
9
10
11
12
13

2.3 snoopy

表单提交

我们的一个例子
form-demo.html

<!DOCTYPE html><html lang="en"><head>    <meta charset="UTF-8">    <title>form-demo</title></head><body>    <form action="./form-demo.php" method="post">        用户名:<input type="text" name="userName"><br>        密 码:<input type="password" name="password"><br>        <input type="submit">    </form></body></html>1
2
3
4
5
6
7
8
9
10
11
12
13
14

form-demo.php

<?php     $userName = $_POST['userName'];    $password = $_POST['password'];    if($userName==="admin"&&$password==="admin"){        echo "hello admin";    }else{        echo "login error";    } ?> ```提交表单```php<?phpinclude 'Snoopy/Snoopy.class.php';$snoopy = new Snoopy();$formvars["userName"] = "admin";//userName 与服务器端/表单的name属性一致$formvars["password"] = "admin";$action = "http://localhost:8000/spider/demo3/form-demo.php";//表单提交地址$snoopy->submit($action,$formvars);echo $snoopy->results;?><div class="se-preview-section-delimiter"></div>1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28

问题1：openssl extension required for HTTPS 增加对https的支持

php.in ==> ;extension=php_openssl.dll 去除注释<div class="se-preview-section-delimiter"></div>1
2
3
4
5
6
7

问题2：405 Not Allowed增加

$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; //伪装浏览器$snoopy->referer = "http://www.icultivator.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"] = "122.0.74.166"; //伪装ip<div class="se-preview-section-delimiter"></div>1
2
3
4
5
6
7
8
9
10

问题3 : snoopy使用代理

$snoopy->proxy_host = "http://www.icultivator.com";// HTTPS connections over proxy are currently not supported$snoopy->proxy_port = "8080"; //使用代理$snoopy->maxredirs = 2; //重定向次数$snoopy->expandlinks = true; //是否补全链接 在采集的时候经常用到$snoopy->maxframes = 5; //允许的最大框架数1
2
3
4
5
6

问题：
其实尝试了网站进行提交表单是有问题的。这样简单的处理是不能提交表单的，使用代理也是有问题
的。snoopy框架确实会有很多问题，后面有解决思路了再说。

参考阅读：
- cURL、file_get_contents、snoopy.class.php 优缺点
- 开源中国-PHP爬虫框架列表
- phpQuery
- Snoopy下载地址
- Snoopy —— 强大的PHP采集类使用详解及示例：采集、模拟登录及伪装浏览器
- 开源中国-snoopy博客列表

阅读全文

0 0