快捷導(dǎo)航

深入php數(shù)據(jù)采集的詳解

更新時(shí)間：2013年06月02日 16:34:37 作者：

本篇文章是對(duì)php數(shù)據(jù)采集進(jìn)行了詳細(xì)的分析介紹，需要的朋友參考下

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

網(wǎng)上有不少介紹Snoopy的，下面是別人翻譯的Snoopy的SDK
//////////////////////////////////////////////////////////////
Snoopy是一個(gè)php類，用來模擬瀏覽器的功能，可以獲取網(wǎng)頁(yè)內(nèi)容，發(fā)送表單。
Snoopy的一些特點(diǎn):
1抓取網(wǎng)頁(yè)的內(nèi)容 fetch
2抓取網(wǎng)頁(yè)的文本內(nèi)容 (去除HTML標(biāo)簽) fetchtext
3抓取網(wǎng)頁(yè)的鏈接，表單 fetchlinks fetchform
4支持代理主機(jī)
5支持基本的用戶名/密碼驗(yàn)證
6支持設(shè)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(wǎng)頁(yè)中的鏈接擴(kuò)展成高質(zhì)量的url(默認(rèn))
9提交數(shù)據(jù)并且獲取返回值
10支持跟蹤HTML框架
11支持重定向的時(shí)候傳遞cookies
要求php4以上就可以了由于本身是php一個(gè)類無(wú)需擴(kuò)支持服務(wù)器不支持curl時(shí)候的最好選擇，
類方法:
fetch($URI)
———–
這是為了抓取網(wǎng)頁(yè)的內(nèi)容而使用的方法。
$URI參數(shù)是被抓取網(wǎng)頁(yè)的URL地址。
抓取的結(jié)果被存儲(chǔ)在 $this->results 中。
如果你正在抓取的是一個(gè)框架，Snoopy將會(huì)將每個(gè)框架追蹤后存入數(shù)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(huì)去除HTML標(biāo)簽和其他的無(wú)關(guān)數(shù)據(jù)，只返回網(wǎng)頁(yè)中的文字內(nèi)容。
fetchform($URI)
—————
本方法類似于fetch()，唯一不同的就是本方法會(huì)去除HTML標(biāo)簽和其他的無(wú)關(guān)數(shù)據(jù)，只返回網(wǎng)頁(yè)中表單內(nèi)容(form)。
fetchlinks($URI)
—————-
本方法類似于fetch()，唯一不同的就是本方法會(huì)去除HTML標(biāo)簽和其他的無(wú)關(guān)數(shù)據(jù)，只返回網(wǎng)頁(yè)中鏈接(link)。
默認(rèn)情況下，相對(duì)鏈接將自動(dòng)補(bǔ)全，轉(zhuǎn)換成完整的URL。
submit($URI,$formvars)
———————-
本方法向$URL指定的鏈接地址發(fā)送確認(rèn)表單。$formvars是一個(gè)存儲(chǔ)表單參數(shù)的數(shù)組。
submittext($URI,$formvars)
————————–
本方法類似于submit()，唯一不同的就是本方法會(huì)去除HTML標(biāo)簽和其他的無(wú)關(guān)數(shù)據(jù)，只返回登陸后網(wǎng)頁(yè)中的文字內(nèi)容。
submitlinks($URI)
—————-
本方法類似于submit()，唯一不同的就是本方法會(huì)去除HTML標(biāo)簽和其他的無(wú)關(guān)數(shù)據(jù)，只返回網(wǎng)頁(yè)中鏈接(link)。
默認(rèn)情況下，相對(duì)鏈接將自動(dòng)補(bǔ)全，轉(zhuǎn)換成完整的URL。
類屬性: (缺省值在括號(hào)里)
$host 連接的主機(jī)
$port 連接的端口
$proxy_host 使用的代理主機(jī)，如果有的話
$proxy_port 使用的代理主機(jī)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(shù)， 0=不允許 (5)
$offsiteok whether or not to allow redirects off-site. (true)
$expandlinks 是否將鏈接都補(bǔ)全為完整地址 (true)
$user 認(rèn)證用戶名, 如果有的話
$pass 認(rèn)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(bào)錯(cuò), 如果有的話
$response_code 從服務(wù)器返回的響應(yīng)代碼
$headers 從服務(wù)器返回的頭信息
$maxlength 最長(zhǎng)返回?cái)?shù)據(jù)長(zhǎng)度
$read_timeout 讀取操作超時(shí) (requires PHP 4 Beta 4+)
設(shè)置為0為沒有超時(shí)
$timed_out 如果一次讀取操作超時(shí)了，本屬性返回 true (requires PHP 4 Beta 4+)
$maxframes 允許追蹤的框架最大數(shù)量
$status 抓取的http的狀態(tài)
$temp_dir 網(wǎng)頁(yè)服務(wù)器能夠?qū)懭氲呐R時(shí)文件目錄 (/tmp)
$curl_path cURL binary 的目錄, 如果沒有cURL binary就設(shè)置為 false
以下是demo

復(fù)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(diǎn)是“大”和“全”，一個(gè)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(xì)細(xì)的把想要的部分，扣出來。當(dāng)然，如果你特別特別擅長(zhǎng)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(shí)是一個(gè)dom解析的過程。php內(nèi)部也提供了一些解析的方法，但是這個(gè)simple_html_dom可以說做得比較專業(yè)，一個(gè)類，滿足了很多你想要的功能。
////////////////////////////////////////////////////////////////
// 用一個(gè)URL或文件名，創(chuàng)建一個(gè)目標(biāo)文檔對(duì)象，也就是目標(biāo)網(wǎng)頁(yè)
$html = file_get_html ('http://www.7767.cn/' );
//$html = file_get_html ('test.htm' );
//用一個(gè)字符串作為一個(gè)目標(biāo)網(wǎng)頁(yè)。你可以通過Snoopy獲取頁(yè)面，然后再拿到這里來處理
$myhtml = str_get_html ('<html><body>Hello!</body></html>' );
// 找到所有的圖片，返回的是數(shù)組
foreach($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(gè)包含對(duì)象的數(shù)組。查找目標(biāo)元素的時(shí)候可以通過class或者id，或者其他屬性獲取目標(biāo)字符串。

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

//比較關(guān)鍵的一點(diǎn)是，這個(gè)采集對(duì)象創(chuàng)建完后，一定要銷毀掉，否則php頁(yè)面有可能會(huì)“卡”上30秒左右，這個(gè)取決于你服務(wù)器的那個(gè)時(shí)間限制。銷毀的方法是：
$html->clear();
unset($html);
本人認(rèn)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(cè)
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 ()