PHP采集类-Snoopy.class.php

圣凤凌霜

　　 
Snoopy是一个php采集类，用来模拟浏览器获取网页内容和发送表单。
下面是一些Snoopy特性： 

• 容易抓取网页内容
  
• 容易抓取页面文本（去除HTML标签）
  
• 容易抓取网页内链接
  
• 支持代理抓取
  
• 支持基本的用户名、密码认证
  
• 支持设置user-agent，referer，cookies和header内容
  
• 支持浏览器转向，和控制转向深度
  
• 能把页面中的链接转化成高质量的链接
  
• 容易提交数据和获得返还值
  
• 能追踪HTML框架
  
• 支持重定向的时候传递Cookies
  

Snoopy类，方法：
fetch($URI)
抓取网页的内容而使用的方法。$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，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
  

Snoopy官方网址：http://sourceforge.net/projects/snoopy/