php数据采集的解决办法
内容摘要
这篇文章主要为大家详细介绍了php数据采集的简单示例，具有一定的参考价值，可以用来参考一下。
感兴趣的小伙伴，下面一起跟随php教程的小玲来看看吧！这里介绍两个php采集能用到
感兴趣的小伙伴，下面一起跟随php教程的小玲来看看吧！这里介绍两个php采集能用到
文章正文
这篇文章主要为大家详细介绍了php数据采集的简单示例，具有一定的参考价值，可以用来参考一下。
感兴趣的小伙伴，下面一起跟随php教程的小玲来看看吧！
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。Snoopy的一些特点:1抓取网页的内容 fetch2抓取网页的文本内容 (去除HTML标签) fetchtext3抓取网页的链接，表单 fetchlinks fetchform4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，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($URI)—————-本方法类似于submit()，唯一不同的就是本方法会去除HTML标签和其他的无关数据，只返回网页中链接(link)。默认情况下，相对链接将自动补全，转换成完整的URL。类属性: (缺省值在括号里)$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$rawheaders 其他的头信息, 如果有的话$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以下是demo代码如下:
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$myhtml = str_get_html ('<html><body>Hello!</body></html>' );// 找到所有的图片，返回的是数组foreach($html->find ('img' ) as $element) echo $element->src . '<br>' ;// 找到所有的链接foreach($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 $target_div;//比较关键的一点是，这个采集对象创建完后，一定要销毁掉，否则php页面有可能会“卡”上30秒左右，这个取决于你服务器的那个时间限制。销毁的方法是：$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 () |
注：关于php数据采集的简单示例的内容就先介绍到这里，更多相关文章的可以留意
代码注释
作者：喵哥笔记
