用PHP抓取页面并分析
在做抓取前，记得把php.ini中的max_execution_time设置的大点，不然会报错的。
一、用Snoopy.class.php抓取页面
一个挺萌的类名。功能也很强大，用来模拟浏览器的功能，可以获取网页内容，发送表单等。
1）我现在要抓取一个网站的列表页的内容，我要抓取的是全国的医院信息内容，如下图：
2）我很自然的将URL地址复制下来，用Snoopy类来抓取前10页的页面内容，而且将内容放到本地来，在本地建立html文件，等下用于分析。
$snoopy=new Snoopy();
//医院list页面
for($i = 1; $i <= 10; $i++) {
$url = \'http://www.guahao.com/hospital/areahospitals?p=全国&pageNo=\' . $i;
$snoopy->fetch($url);
file_put_contents("web/page/$i.html", $snoopy->results);
}
echo \'success\';
3）很奇怪的是返回回来的不是全国的内容，而是上海的相关内容
4）后面怀疑是里面可能设置了cookie，然后用firebug查看，果然有惊人内幕
5）在请求的时候将cookie的值也放进去，就加了个设置语句$snoopy->cookies[“_area_”]，情况就大不一样了，顺利返回全国信息。
$snoopy=new Snoopy();
//医院list页面
$snoopy->cookies["_area_"] = \'{"provinceId":"all","provinceName":"全国","cityId":"all","cityName":"不限"}\';
for($i = 1; $i <= 10; $i++) {
//...页面内容抓取...
}
二、用phpQuery.php分析页面
用了这个类能像jQuery那样操作DOM，不必为采集网站内容而使用那些头疼的正则算法了，用法上与jQuery相似，只是$()换成了pq()。主页放在google的code中，被屏蔽了得FQ一下，下面的附件中我分享了一个最新版本的fgFQ软件。用法很简单只要打开fg742p.exe文件就可以了。
1）我要获取每一页内容中的每个具体医院的信息，例如要获取301医院的信息。
每页的内容页面已经在前面的操作中抓取到了本地。所以可以直接用localhost了。
$snoopy=new Snoopy();
for($i = 1; $i <= 10; $i++) {
$url = "http://localhost/spider/web/page/$i.html";
$snoopy->fetch($url);
$html = $snoopy->results;
}
2）用phpQuery获取到节点信息，如下图的DOM结构：
使用一些phpQuery的方法，结合DOM结构读取每个医院信息的URL地址。
for($i = 1; $i <= 10; $i++) {
//...抓取本地页面...
phpQuery::newDocument($html); //初始化对象
$urls = array();
foreach(pq(\'.search-hos-info dl dt a\') as $item) {
array_push($urls, pq($item)->attr(\'href\')); //医院详情
}
}
3）根据读取到的URL地址列表，抓取指定的页面。
$detailIndex = 1;
for($i = 1; $i <= 10; $i++) {
//...抓取本地页面...
//...获取指定节点的href地址信息...
$len = count($urls);
for($row = 1; $row <= $len; $row++) {
$snoopy->fetch($urls[$row - 1]);
file_put_contents("web/hospital/$detailIndex.html", $snoopy->results);
$detailIndex++;
}
}
FQ工具下载：
demo下载：
http://download.csdn.net/detail/loneleaf1/8089507
Snoopy类的一些说明：
类方法
| fetch($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
| $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 |