怎样抓取网页数据(php.ini中的max_execution设置设置的大点软件)

　　怎样抓取网页数据(php.ini中的max_execution设置设置的大点软件)

　　爬取前记得将php.ini中的max_execution_time设置为较大的值，否则会报错。

　　一、用 Snoopy.class.php 抓取页面

　　一个非常可爱的班级名称。功能也很强大，用来模拟浏览器的功能，可以获取网页内容，发送表单等等。

　　1）我要抓取网站的一个列表页的内容，我要抓取的是全国医院信息的内容，如下图：

　　2）我自然是复制URL地址，使用Snoopy类抓取前10页的内容，并将内容放到本地，在本地创建一个html文件，稍后分析使用。

　　

　　$snoopy=new Snoopy();

//医院list页面

for($i = 1; $i fetch($url);

file_put_contents("web/page/$i.html", $snoopy->results);

}

echo 'success';

　　

　　3）奇怪的是，返回的不是国家内容，而是上海相关内容

　　4）后来怀疑里面可能设置了cookie，然后用firebug检查了一下，果然有惊天动地的内幕

　　5）在请求中放入cookie的值，并添加了设置语句$snoopy->cookies["_area_"]，情况大不相同，顺利返回国家信息。

　　$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 results;

}

　　2）使用phpQuery获取节点信息，DOM结构如下图所示：

　　使用一些phpQuery方法，结合DOM结构读取各个医院信息的URL地址。

　　

　　for($i = 1; $i attr('href')); //医院详情

}

}

　　

　　3）根据读取到的URL地址列表抓取指定页面。

　　

　　$detailIndex = 1;

for($i = 1; $i results);

$detailIndex++;

}

}

　　

　　FQ 工具下载：

　　克服障碍.rar

　　演示下载：

　　史努比类的一些说明：

　　类方法

　　获取($URI)

　　这是用来抓取网页内容的方法。

　　$URI 参数是被抓取网页的 URL 地址。

　　获取的结果存储在 $this->results 中。

　　如果你正在抓取一个帧，史努比会跟踪每一帧并将其存储在一个数组中，然后将其存储在 $this->results 中。

　　fetchtext($URI)

　　该方法与fetch()类似，唯一不同的是该方法会去除HTML标签等无关数据，只返回网页中的文本内容。

　　fetchform($URI)

　　该方法与fetch()类似，唯一不同的是该方法会去除HTML标签等无关数据，只返回网页中的表单内容（form）。

　　fetchlinks($URI)

　　这个方法和fetch()类似，唯一不同的是这个方法会去除HTML标签等无关数据，只返回网页中的链接。

　　默认情况下，相对链接会自动补全并转换成完整的网址。

　　提交($URI,$formvars)

　　此方法向$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。

　　提交文本($URI,$formvars)

　　该方法与submit()类似，唯一不同的是，该方法会去除HTML标签等无关数据，登录后只返回网页中的文本内容。

　　提交链接($URI)

　　这个方法类似于submit()。唯一不同的是，该方法会去除HTML标签等无关数据，只返回网页中的链接。

　　默认情况下，相对链接会自动补全并转换成完整的网址。

　　类属性

　　$host

　　连接的主机

　　$端口

　　连接端口

　　$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

　　$代理

　　用户代理伪装（史努比 v0.1)

　　$referer

　　访问信息，如果有的话

　　$cookies

　　Cookies，如果有的话

　　$rawheaders

　　其他标题信息，如果有的话

　　$maxredirs

　　最大重定向次数，0=不允许（5)

　　$offsiteok

　　是否允许异地重定向。 （真实）

　　$expandlinks

　　是否补全链接地址（真）

　　$用户

　　经过身份验证的用户名（如果有）

　　$pass

　　经过身份验证的用户名（如果有）

　　$接受

　　http 接受类型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)

　　$错误

　　在哪里报告错误，如果有的话

　　$response_code

　　服务器返回的响应码

　　$headers

　　服务器返回的头部信息

　　$maxlength

　　最长返回数据长度

　　$read_timeout

　　读取操作超时（需要 PHP 4 Beta 4+），设置为 0 表示没有超时

　　$timed_out

　　如果读取操作超时，该属性返回true（需要PHP 4 Beta 4+）

　　$maxframes

　　允许跟踪的最大帧数

　　$状态