为了不可告人的目的
为了不为人知的功能
为了一家老小
.........
走上采集之路.
本人也不看好以采集为生的网站,不过某些时候,还是需要用到采集的。比如你可以采集天气（天气也可以直接用一些网站提供的API接口实现，这里只是举个例子而已），采集一些综合资料。网上这方面的东西很多的。还有人专门做过一个bs版的采集系统，堪称敬业和专业。
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 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，
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
1. include "Snoopy.class.php";
2. $snoopy = new Snoopy;
3.
4. $snoopy->proxy_host = "www.7767.cn";
5. $snoopy->proxy_port = "8080";
6.
7. $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
8. $snoopy->referer = "http://www.7767.cn/";
9.
10. $snoopy->cookies["SessionID"] = 238472834723489l;
11. $snoopy->cookies["favoriteColor"] = "RED";
12.
13. $snoopy->rawheaders["Pragma"] = "no-cache";
14.
15. $snoopy->maxredirs = 2;
16. $snoopy->offsiteok = false;
17. $snoopy->expandlinks = false;
18.
19. $snoopy->user = "joe";
20. $snoopy->pass = "bloe";
21.
22. if($snoopy->fetchtext("http://www.7767.cn"))
23. {
24. echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>\n";
25. }
26. else
27. echo "error fetching document: ".$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。
////////////////////////////////////////////////////////////////
，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
$myhtml = str_get_html
('<html><body>Hello!</body></html>'
);
foreach($html->find
('img'
) as $element)
echo $element->src
. '<br>'
;
foreach($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 () |
里面还有个例子文件夹，还不熟悉的，可以直接运行个例子，就明白了。
////////////////////////////////////////////////////////////////
分享到：
相关推荐
PHP中的CURL采集利器，对于学习采集又莫大的帮助
一直在用的综合采集软件 用好了很方便 和其他伪原创工具综合来用效果不错
极速搜索1.3版安装程序.exe 是一个专为医生设计的文章采集工具，方面医生查找资料编辑文章。
使用Snoopy来模拟登陆，然后采集登陆后的页面非常管用！ Snoopy的特点： 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 ...
淘宝评论采集器就是可以自动采集评论数据（包括评论内容、买家昵称、日期、尺码、颜色、标题等全部数据类型）生成优质原创文章或数据报表的工具。
是建站不可或缺的数据采集利器。而且该采集器为开源代码，符中文注释，方便修改和学习。该采集系统有如下特点： 主流语言 - 采用php+mysql编写而成，安装对应服务器即可。 完全开源 - 开源代码，且代码均有中文...
是建站不可或缺的数据采集利器。而且该采集器为开源代码，符中文注释，方便修改和学习。 该采集系统有如下特点： 主流语言 - 采用php mysql编写而成，安装对应服务器即可。 完全开源 - 开源代码，且代码均有中文...
自动采集百度知道的东西，可以做为引流的网站，更可以放置联盟广告，非常不错，懒人建站必备！ 运行环境： 支持php即可，无需数据库
淘宝评论采集原创利器是一个自动采集淘宝商品评论和买家昵称的工具。支持引用买家、评论、日期、尺码、颜色、标题等参数自由组合为模板，可以设置过滤等采集参数，内置按关键词和按店铺采集宝贝地址的功能。 软件...
Snoopy是一个php类，用来模仿web浏览器的功能，它能完成获取网页内容和发送表单的任务。
网站利器－海纳采集器， 比火车头好用多了
无敌邮件地1址采集器软件+4.7注册机，邮件采集利器
PHP采集利器snoopy应用详解 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正确运行需要你的服务器的PHP版本在4以上，并且支持PCRE（Perl Compatible Regular Expressions），基本的...
工业数据采集利器，方便实时数据监控。此文档详细介绍了了软件的使用方法。
智者今日头条文章批量采集下载是一款针对...软件更支持自动刷新模式，不间断刷新采集爆文，是自媒体必备的一款利器。 智者今日头条文章批量采集下载 v1119 免费版更新日志 升级内核 智者今日头条文章批量采集下载截图
采集帖子中的所有邮箱，并可转化成发邮件所需要的格式，批量发邮件的用户采集利器。
工业数据采集利器,工业电气工程师必备利器,用来查看曲线,判断故障,