深入php数据采集的详解
分类:PHP作者:编程之家
这里介绍两个PHP采集能用到的好工具。一个是Snoopy,一个是simple_html_dom。采集还有很多方式(其实本质就2-3种,其他的都是衍生的),PHP自带了几个方法也能直接进行采集。但是,出于把懒惰进行到底的精神。我们还是可以通过这两个工具,让采集变得更简单。
网上有不少介绍Snoopy的,下面是别人翻译的Snoopy的SDK
//////////////////////////////////////////////////////////////
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。
<FONT style="COLOR: #ff0000">Snoopy的一些特点:
1抓取网页的
内容 fetch
2抓取网页的文本
内容 (
去除HTML
标签) fetchtext
3抓取网页的
链接,表单 fetchlinks fetchform
4
支持代理主机
5
支持基本的
用户名/密码验证
6
支持设置 user_agent,referer(来路),cookies 和 header content(头
文件)
7
支持浏览器
重定向,并能控制
重定向深度
8能把网页中的
链接扩展成高质量的url(
默认)
9提交数据并且
获取返回值
10
支持跟踪HTML框架
11
支持重定向的时候传递cookies
要求
PHP4以上就可以了 由于本身是
PHP一个类 无需扩
支持 服务器
不支持curl时候的最好选择,
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。
<FONT style="COLOR: #ff0000">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
$maxred
irs 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
<FONT style="COLOR: #ff0000">以下是demo
<div class="codetitle">
<a style="CURSOR: pointer" data="6229" class="copybut" id="copybut6229" onclick="doCopy('code6229')"> 代码如下: <div class="codebody" id="code6229">
include "Snoopy.class.
PHP";
$snoopy = new Snoopy;
$snoopy->proxy_host = "www.7767.cn";
$snoopy->proxy_port = "8080";
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
$snoopy->referer = "
http://www.7767.cn/";
$snoopy->cookies["SessionID"] = 238472834723489l;
$snoopy->cookies["favoriteColor"] = "RED";
$snoopy->rawheaders["Pragma"] = "no-cache";
$snoopy->maxred
irs = 2;
$snoopy->offsiteok = false;
$snoopy->expandlinks = false;
$snoopy->user = "joe";
$snoopy->pass = "bloe";
if($snoopy->fetchtext("
http://www.7767.cn"))
{
echo "
".htmlspecialchars($snoopy->results)."
\n";
}
else
echo "error fetching document: ".$snoopy->error."\n";
//////////////////////////////////////////////////////////////
Snoopy的特点是“大”和“全”,
一个fetch什么都采到了,可以作为采集的第一步。接下来就需要用simple_html_dom来细细的把想要的部分,扣出来。当然,如果你特别特别擅长正则,而且又钟爱正则,你也可以用正则去匹配抓取。simple_html_dom其实是
一个dom解析的过程。
PHP内部也提供了一些解析的
方法,但是这个simple_html_dom可以说做得比较专业,
一个类,满足了很多你想要的
功能。
////////////////////////////////////////////////////////////////
// 用
一个URL或
文件名,创建
一个目标文档对象 ,也就是目标网页
$html = file_get_html ('
http://www.7767.cn/' );
//$html = file_get_html ('test.htm' );
//用
一个字符串作为
一个目标网页。你可以通过Snoopy
获取页面,然后再拿到这里来处理
$myhtml = str_get_html ('Hello!' );
// 找到所有的
图片,返回的是数组
foreach($html->find ('img' ) as $element)
echo $element->src . '
' ;
// 找到所有的
链接 foreach($html->find ('a' ) as $element)
echo $element->href . '
' ;find
方法很好用,通常它返回的是
一个包含对象的数组。查找目标元素的时候可以通过class或者id,或者其他
属性获取目标字符串。//通过目标div的class
属性,查找div,find
方法中第二个参数是返回的那个数组中的第几个。从0开始是第
一个$target_div = $html->find ('div.targetclass',0 );
//查看结果是否是你想要的,直接echo就可以了
echo $target_div;//比较关键的一点是,这个采集
对象创建完后,一定要销毁掉,否则
PHP页面有可能会“卡”上30秒左右,这个取决于你服务器的那个时间限制。销毁的
方法是:
<FONT style="COLOR: #ff0000">$html->clear();
unset($html);
本人认为simple_html_dom比较优秀的地方就是,把采集控制得像JS一样容易。在下面提供的下载包中有英文的手册
<FONT style="COLOR: #ff0000">simplehtmldom_1_11/simplehtmldom/manual/manual.htm
<TABLE style="WIDTH: 100%">
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 () |
原文地址:https://www.jb51.cc/php/26530.html
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 dio@foxmail.com 举报,一经查实,本站将立刻删除。