php抓取网页snoopy(php.ini中的max_execution设置设置的大点软件)

　　php抓取网页snoopy(php.ini中的max_execution设置设置的大点软件)

　　在进行爬取之前，记得把php.ini中的max_execution_time设置为较大的值，否则会报错。

　　一、 使用 Snoopy.class.php 抓取页面

　　一个很可爱的类名。功能也很强大，用来模拟浏览器的功能，可以获取网页内容，发送表单等等。

　　1）我要抓取网站的一个列表页的内容，我要抓取的是全国医院的信息内容，如下图：

　　2） 我自然是复制了URL地址，使用Snoopy类抓取前10页的内容，并将内容放到本地，在本地创建一个html文件，供以后分析使用。

　　

　　$snoopy=new Snoopy();

//医院list页面

for($i = 1; $i fetch($url);

file_put_contents("web/page/$i.html", $snoopy->results);

}

echo 'success';

　　

　　3） 奇怪的是，返回的内容不是国家内容，而是与上海相关的内容。

　　4） 怀疑里面可能设置了cookie，然后用firebug查看了一下，果然有惊人的内幕

　　5） 在请求中放入cookie的值，并添加设置语句$snoopy->cookies["_area_"]，情况大不相同，顺利返回国家信息。

　　$snoopy=new Snoopy();

//医院list页面

$snoopy->cookies["_area_"] = '{"provinceId":"all","provinceName":"全国","cityId":"all","cityName":"不限"}';

for($i = 1; $i results;

}

　　2）使用phpQuery获取节点信息，如下DOM结构所示：

　　使用一些phpQuery方法，结合DOM结构读取各个医院信息的URL地址。

　　

　　for($i = 1; $i attr('href')); //医院详情

}

}

　　

　　3）根据读取到的URL地址列表，抓取指定页面。

　　

　　$detailIndex = 1;

for($i = 1; $i results);

$detailIndex++;

}

}

　　

　　FQ工具下载：

　　克服障碍.rar

　　演示下载：

　　史努比类的一些说明：

　　类方法

　　获取（$URI）

　　这是用于抓取网页内容的方法。

　　$URI 参数是被爬取的网页的 URL 地址。

　　获取的结果存储在 $this->results 中。

　　如果你正在抓取一帧，史努比会跟踪每一帧并将其存储在一个数组中，然后将其存储在 $this->results 中。

　　获取文本（$URI）

　　该方法与fetch()类似，唯一不同的是，该方法会去除HTML标签等无关数据，只返回网页中的文本内容。

　　fetchform($URI)

　　该方法与fetch()类似，唯一不同的是该方法会去除HTML标签等无关数据，只返回网页中的表单内容（form）。

　　获取链接（$URI）

　　该方法与fetch()类似，唯一不同的是该方法会去除HTML标签等无关数据，只返回网页中的链接。

　　默认情况下，相对链接将自动完成并转换为完整的 URL。

　　提交（$URI，$formvars）

　　此方法向 $URL 指定的链接地址发送确认表单。$formvars 是一个存储表单参数的数组。

　　提交文本（$URI，$formvars）

　　该方法与submit()类似，唯一不同的是，该方法会去除HTML标签等无关数据，并且只返回登录后网页中的文本内容。

　　提交链接（$URI）

　　该方法与submit()类似，唯一不同的是，该方法会去除HTML标签等无关数据，只返回网页中的链接。

　　默认情况下，相对链接将自动完成并转换为完整的 URL。

　　类属性

　　$host

　　连接主机

　　$端口

　　连接端口

　　$proxy_host

　　使用的代理主机（如果有）

　　$proxy_port

　　使用的代理主机端口（如果有）

　　$代理

　　用户代理伪装（史努比 v0.1)

　　$referer

　　信息，如果有

　　$cookies

　　饼干，如果有的话

　　$rawheaders

　　其他标题信息，如果有的话

　　$maxredirs

　　最大重定向次数，0=不允许 (5)

　　$offsiteok

　　是否允许异地重定向。（真的）

　　$expandlinks

　　是否完成所有链接完成地址(true)

　　$用户

　　身份验证用户名（如果有）

　　$pass

　　身份验证用户名（如果有）

　　$接受

　　http 接受类型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)

　　$错误

　　在哪里报告错误，如果有的话

　　$response_code

　　服务器返回的响应码

　　$headers

　　服务器返回的头部信息

　　$最大长度

　　最大返回数据长度

　　$read_timeout

　　读取操作超时（需要 PHP 4 Beta 4+），设置为 0 表示没有超时

　　$timed_out

　　如果读取操作超时，则此属性返回 true（需要 PHP 4 Beta 4+）

　　$maxframes

　　允许跟踪的最大帧数

　　$状态