用PHP抓取页面并分析

vivion32

　　用了这个类能像jQuery那样操作DOM，不必为采集网站内容而使用那些头疼的正则算法了，用法上与jQuery相似，只是$()换成了pq()。主页放在google的code中，被屏蔽了得FQ一下，下面的附件中我分享了一个最新版本的fgFQ软件。用法很简单只要打开fg742p.exe文件就可以了。
　　1）我要获取每一页内容中的每个具体医院的信息，例如要获取301医院的信息。

　　每页的内容页面已经在前面的操作中抓取到了本地。所以可以直接用localhost了。
　　

  $snoopy=new Snoopy();　　
　for($i = 1; $i <= 10; $i++) {
　　
$url = "http://localhost/spider/web/page/$i.html";
　　
$snoopy->fetch($url);
　　
$html = $snoopy->results;
　　
}
　　

　　2）用phpQuery获取到节点信息，如下图的DOM结构：

　　使用一些phpQuery的方法，结合DOM结构读取每个医院信息的URL地址。

　　

for($i = 1; $i <= 10; $i++) {　　
//...抓取本地页面...
　　
phpQuery::newDocument($html);  //初始化对象
　　
$urls = array();
　　
foreach(pq('.search-hos-info dl dt a') as $item) {
　　
array_push($urls, pq($item)->attr('href')); //医院详情
　　
}
　　
}
　　

　　3）根据读取到的URL地址列表，抓取指定的页面。

　　

$detailIndex = 1;　　
for($i = 1; $i <= 10; $i++) {
　　
//...抓取本地页面...
　　
//...获取指定节点的href地址信息...
　　
$len = count($urls);
　　
for($row = 1; $row <= $len; $row++) {
　　
$snoopy->fetch($urls[$row - 1]);
　　
file_put_contents("web/hospital/$detailIndex.html", $snoopy->results);
　　
$detailIndex++;
　　
}
　　
}
　　

　　FQ工具下载：
　　翻越障碍.rar
　　demo下载：
　　http://download.csdn.net/detail/loneleaf1/8089507
　　Snoopy类的一些说明：
　　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
　　


$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