深入php數據采集的詳解

更新時間：2013年06月02日 16:34:37 作者：

本篇文章是對php數據采集進行了詳細的分析介紹，需要的朋友參考下

這里介紹兩個php采集能用到的好工具。一個是Snoopy，一個是simple_html_dom。采集還有很多方式（其實本質就2-3種，其他的都是衍生的），php自帶了幾個方法也能直接進行采集。但是，出于把懶惰進行到底的精神。我們還是可以通過這兩個工具，讓采集變得更簡單。

網上有不少介紹Snoopy的，下面是別人翻譯的Snoopy的SDK
//////////////////////////////////////////////////////////////
Snoopy是一個php類，用來模擬瀏覽器的功能，可以獲取網頁內容，發(fā)送表單。
Snoopy的一些特點:
1抓取網頁的內容 fetch
2抓取網頁的文本內容 (去除HTML標簽) fetchtext
3抓取網頁的鏈接，表單 fetchlinks fetchform
4支持代理主機
5支持基本的用戶名/密碼驗證
6支持設置 user_agent, referer(來路), cookies 和 header content(頭文件)
7支持瀏覽器重定向，并能控制重定向深度
8能把網頁中的鏈接擴展成高質量的url(默認)
9提交數據并且獲取返回值
10支持跟蹤HTML框架
11支持重定向的時候傳遞cookies
要求php4以上就可以了由于本身是php一個類無需擴支持服務器不支持curl時候的最好選擇，
類方法:
fetch($URI)
———–
這是為了抓取網頁的內容而使用的方法。
$URI參數是被抓取網頁的URL地址。
抓取的結果被存儲在 $this->results 中。
如果你正在抓取的是一個框架，Snoopy將會將每個框架追蹤后存入數組中，然后存入 $this->results。
fetchtext($URI)
—————
本方法類似于fetch()，唯一不同的就是本方法會去除HTML標簽和其他的無關數據，只返回網頁中的文字內容。
fetchform($URI)
—————
本方法類似于fetch()，唯一不同的就是本方法會去除HTML標簽和其他的無關數據，只返回網頁中表單內容(form)。
fetchlinks($URI)
—————-
本方法類似于fetch()，唯一不同的就是本方法會去除HTML標簽和其他的無關數據，只返回網頁中鏈接(link)。
默認情況下，相對鏈接將自動補全，轉換成完整的URL。
submit($URI,$formvars)
———————-
本方法向$URL指定的鏈接地址發(fā)送確認表單。$formvars是一個存儲表單參數的數組。
submittext($URI,$formvars)
————————–
本方法類似于submit()，唯一不同的就是本方法會去除HTML標簽和其他的無關數據，只返回登陸后網頁中的文字內容。
submitlinks($URI)
—————-
本方法類似于submit()，唯一不同的就是本方法會去除HTML標簽和其他的無關數據，只返回網頁中鏈接(link)。
默認情況下，相對鏈接將自動補全，轉換成完整的URL。
類屬性: (缺省值在括號里)
$host 連接的主機
$port 連接的端口
$proxy_host 使用的代理主機，如果有的話
$proxy_port 使用的代理主機端口，如果有的話
$agent 用戶代理偽裝 (Snoopy v0.1)
$referer 來路信息，如果有的話
$cookies cookies，如果有的話
$rawheaders 其他的頭信息, 如果有的話
$maxredirs 最大重定向次數， 0=不允許 (5)
$offsiteok whether or not to allow redirects off-site. (true)
$expandlinks 是否將鏈接都補全為完整地址 (true)
$user 認證用戶名, 如果有的話
$pass 認證用戶名, 如果有的話
$accept http 接受類型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
$error 哪里報錯, 如果有的話
$response_code 從服務器返回的響應代碼
$headers 從服務器返回的頭信息
$maxlength 最長返回數據長度
$read_timeout 讀取操作超時 (requires PHP 4 Beta 4+)
設置為0為沒有超時
$timed_out 如果一次讀取操作超時了，本屬性返回 true (requires PHP 4 Beta 4+)
$maxframes 允許追蹤的框架最大數量
$status 抓取的http的狀態(tài)
$temp_dir 網頁服務器能夠寫入的臨時文件目錄 (/tmp)
$curl_path cURL binary 的目錄, 如果沒有cURL binary就設置為 false
以下是demo

復制代碼代碼如下:

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->maxredirs = 2;
 $snoopy->offsiteok = false;
$snoopy->expandlinks = false;
$snoopy->user = "joe";
 $snoopy->pass = "bloe";
if($snoopy->fetchtext("http://www.7767.cn"))
{
   echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>\n";
}
else
echo "error fetching document: ".$snoopy->error."\n";

//////////////////////////////////////////////////////////////
Snoopy的特點是“大”和“全”，一個fetch什么都采到了，可以作為采集的第一步。接下來就需要用simple_html_dom來細細的把想要的部分，扣出來。當然，如果你特別特別擅長正則，而且又鐘愛正則，你也可以用正則去匹配抓取。

simple_html_dom其實是一個dom解析的過程。php內部也提供了一些解析的方法，但是這個simple_html_dom可以說做得比較專業(yè)，一個類，滿足了很多你想要的功能。
////////////////////////////////////////////////////////////////
// 用一個URL或文件名，創(chuàng)建一個目標文檔對象，也就是目標網頁
$html = file_get_html ('http://www.7767.cn/' );
//$html = file_get_html ('test.htm' );
//用一個字符串作為一個目標網頁。你可以通過Snoopy獲取頁面，然后再拿到這里來處理
$myhtml = str_get_html ('<html><body>Hello!</body></html>' );
// 找到所有的圖片，返回的是數組
foreach($html->find ('img' ) as $element)
echo $element->src . '<br>' ;
// 找到所有的鏈接
foreach($html->find ('a' ) as $element)
echo $element->href . '<br>' ;

find方法很好用，通常它返回的是一個包含對象的數組。查找目標元素的時候可以通過class或者id，或者其他屬性獲取目標字符串。

//通過目標div的class屬性，查找div，find方法中第二個參數是返回的那個數組中的第幾個。從0開始是第一個
$target_div = $html->find ('div.targetclass',0 );
//查看結果是否是你想要的，直接echo就可以了
echo $target_div;

//比較關鍵的一點是，這個采集對象創(chuàng)建完后，一定要銷毀掉，否則php頁面有可能會“卡”上30秒左右，這個取決于你服務器的那個時間限制。銷毀的方法是：
$html->clear();
unset($html);
本人認為simple_html_dom比較優(yōu)秀的地方就是，把采集控制得像JS一樣容易。在下面提供的下載包中有英文的手冊
simplehtmldom_1_11/simplehtmldom/manual/manual.htm

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 ()