Snoopy中文手册(php采集利器)-001【转】

转自:http://www.wangchong.org/spider/32.html

/** * @name Snoopy手册中文版 * @author 毛毛虫 [e-mail] * @version Snoopy - the PHP net client v1.2.2 * @link http://www.wangchong.org * @since 2008-04-27 */ 
名称:

 Snoopy - the PHP net client v1.2.2
 
概要:

 include "Snoopy.class.php"; $snoopy = new Snoopy;  $snoopy->fetchtext("http://www.php.net/"); print $snoopy->results;  $snoopy->fetchlinks("http://www.phpbuilder.com/"); print $snoopy->results;  $submit_url = "http://lnk.ispi.net/texis/scripts/msearch/netsearch.html";  $submit_vars["q"] = "amiga"; $submit_vars["submit"] = "Search!"; $submit_vars["searchhost"] = "Altavista";   $snoopy->submit($submit_url,$submit_vars); print $snoopy->results;  $snoopy->maxframes=5; $snoopy->fetch("http://www.ispi.net/"); echo "<PRE>/n"; echo htmlentities($snoopy->results[0]);  echo htmlentities($snoopy->results[1]);  echo htmlentities($snoopy->results[2]);  echo "</PRE>/n"; $snoopy->fetchform("http://www.altavista.com"); print $snoopy->results; 

描述:

 Snoopy是什么?
 
 Snoopy是一个php类，用来模仿web浏览器的功能，它能完成获取网页内容和发送表单的任务。

 Snoopy的一些特点:
 
 * 方便抓取网页的内容
 * 方便抓取网页的文本内容 (去除HTML标签)
 * 方便抓取网页的链接
 * 支持代理主机
 * 支持基本的用户名/密码验证
 * 支持设置 user_agent, referer(来路), cookies 和 header content(头文件)
 * 支持浏览器转向，并能控制转向深度
 * 能把网页中的链接扩展成高质量的url(默认)
 * 方便提交数据并且获取返回值
 * 支持跟踪HTML框架(v0.92增加)
 * 支持再转向的时候传递cookies (v0.92增加)

要求:

 Snoopy requires PHP with PCRE (Perl Compatible Regular Expressions),
 which should be PHP 3.0.9 and up. For read timeout support, it requires
 PHP 4 Beta 4 or later. Snoopy was developed and tested with PHP 3.0.12.

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。


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
 

例子:

 例子:  抓取一个页面并显示他的头信息和页面内容 (去掉HTML标签的页面):
 
 include "Snoopy.class.php"; $snoopy = new Snoopy;  $snoopy->user = "joe"; $snoopy->pass = "bloe";  if($snoopy->fetch("http://www.slashdot.org/")) {  echo "response code: ".$snoopy->response_code."<br>/n";  while(list($key,$val) = each($snoopy->headers))   echo $key.": ".$val."<br>/n";  echo "<p>/n";    echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>/n"; } else  echo "error fetching document: ".$snoopy->error."/n"; 

 例子: 提交一个表单并且打印出头信息和去掉HTML标签的页面:

 include "Snoopy.class.php"; $snoopy = new Snoopy;  $submit_url = "http://lnk.ispi.net/texis/scripts/msearch/netsearch.html";  $submit_vars["q"] = "amiga"; $submit_vars["submit"] = "Search!"; $submit_vars["searchhost"] = "Altavista";   if($snoopy->submit($submit_url,$submit_vars)) {  while(list($key,$val) = each($snoopy->headers))   echo $key.": ".$val."<br>/n";  echo "<p>/n";    echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>/n"; } else  echo "error fetching document: ".$snoopy->error."/n"; 



 例子: 展示所有属性的功能:
 

 include "Snoopy.class.php"; $snoopy = new Snoopy; $snoopy->proxy_host = "my.proxy.host"; $snoopy->proxy_port = "8080";  $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; $snoopy->referer = "http://www.microsnot.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.phpbuilder.com")) {  while(list($key,$val) = each($snoopy->headers))   echo $key.": ".$val."<br>/n";  echo "<p>/n";    echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>/n"; } else  echo "error fetching document: ".$snoopy->error."/n"; 


 例子:  抓取框架内容并展示结果：
 
 include "Snoopy.class.php"; $snoopy = new Snoopy;  $snoopy->maxframes = 5;  if($snoopy->fetch("http://www.ispi.net/")) {  echo "<PRE>".htmlspecialchars($snoopy->results[0])."</PRE>/n";  echo "<PRE>".htmlspecialchars($snoopy->results[1])."</PRE>/n";  echo "<PRE>".htmlspecialchars($snoopy->results[2])."</PRE>/n"; } else  echo "error fetching document: ".$snoopy->error."/n"; 
COPYRIGHT:
 Copyright(c) 1999,2000 ispi. All rights reserved.
 This software is released under the GNU General Public License.
 Please read the disclaimer at the top of the Snoopy.class.php file.


THANKS:
 Special Thanks to:
 Peter Sorger <[e-mail]> help fixing a redirect bug
 Andrei Zmievski <[e-mail]> implementing time out functionality
 Patric Sandelin <[e-mail]> help with fetchform debugging
 Carmelo <[e-mail]> misc bug fixes with frames