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
"采集利器限时下载"这个标题暗示了一款专为这些用户设计的高效数据采集软件，它可能是限时免费或者有特殊优惠，鼓励用户尽快下载并使用。这款软件被称为“采集利器”，意味着它在数据抓取方面具有出色的功能和性能，...
《医学文章采集利器——极速搜索1.3版安装程序.exe》 在当今信息化时代，医疗领域的专业人士，尤其是医生，对获取、整理和分析医学文献的需求日益增长。为了满足这一需求，"极速搜索1.3版安装程序.exe"应运而生，它...
PHP中的CURL采集利器，对于学习采集又莫大的帮助
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 ...
淘宝评论采集原创利器是一款专为电商数据分析和内容创作设计的工具，主要针对淘宝平台的评论信息进行自动化采集。这款工具能够高效地抓取商品评论的各种详细数据，包括但不限于评论内容、购买者的昵称、评论时间、...
《神箭手云采集插件：高效稳定的数据采集利器》 在互联网大数据时代，数据采集已成为各类企业和个人获取信息、分析市场、优化决策的重要手段。神箭手云采集插件，以其高效稳定的特点，赢得了广大用户的青睐。这款...
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...
而“小蜜蜂颜色采集器”正是一款专为此目的设计的工具，它以其绿色免安装的特点，深受用户喜爱，被誉为超好用的色彩采集利器。 “小蜜蜂颜色采集器”（BeeColorPicker）是一款轻量级的应用程序，无需繁琐的安装过程...
标题中的“自动采集百度知道(小偷采集)商业版”指的是一个特定的软件或系统，设计用于自动抓取和收集百度知道平台上的问答信息。这种技术通常被称为“小偷采集”，因为它模仿用户行为，自动浏览并获取数据，而无需...
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...
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
结合phpQuery的强大解析能力，QueryList无疑为PHP开发者提供了一把强大的数据采集利器。无论是初学者还是经验丰富的开发者，都可以快速上手并从中受益。如果你在进行PHP的HTTP请求和网站爬取工作，那么QueryList绝对...
《ibaPDA-v8.7.4：数据采集利器的深度解析》 ibaPDA-v8.7.4是一款专为数据采集而设计的强大工具，它以其高效、稳定和易用性在IT行业中赢得了广泛的认可。这个版本的更新无疑进一步提升了ibaPDA的功能性和用户体验，...
### MAX197 英文数据手册核心知识点详解 #### 一、概述 MAX197是一款多功能12位数据采集系统（DAS），仅需单一+5V电源即可正常运行...无论是对于工业自动化还是科学研究领域，MAX197都是一款不可多得的数据采集利器。
### DEWE2-M7S 数据采集系统关键技术特点与配置解析 #### 一、产品概述 西安环测自动化技术有限公司推出的DEWE2-M7S是一款高度集成的...无论是对于科研机构还是工业生产单位来说，它都是一款不可多得的数据采集利器。
ibaPDA是一款专为工业电气工程师设计的数据采集利器，其最新版本V7.0.1，提供了对Siemens S7 1200和1500系列PLC的强大支持。这款软件的核心功能在于帮助工程师们进行实时监控，通过查看曲线，迅速定位并判断设备故障...
《TeleportPro与TeleportUltra：强大的网站采集利器》 在互联网信息爆炸的时代，高效地获取和管理网络资源成为了一项重要技能。TeleportPro和TeleportUltra这两款软件，正是为了解决这一问题而生的高效网站采集工具...