利用Snoopy.class.php获取目标网站的META信息

class IndexAction extends Action
{
	function index()
	{
		/**
		 +----------------------------------------------------------
		 * 获取网页的meta信息
		 +----------------------------------------------------------
		 * Snoopy.class.php
		 +----------------------------------------------------------
		 * http://snoopy.sourceforge.net/
		 +----------------------------------------------------------
		 * 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。
		 +----------------------------------------------------------
		 */
		header("Content-Type:text/html; charset=".C('OUTPUT_CHARSET'));
		import('@.Util.Snoopy');

		$get_data_www = new Snoopy;

		if( $get_data_www->fetch('http://www.imyike.com/') ){
			$contents = $get_data_www->results;
			while(list($key,$val) = each($get_data_www->headers))
			echo $key.": ".$val."<br />n";

			preg_match('/<[s]*meta[s]*http-equiv[^>]*?content=["']?text/html;?[s]*charset=?([^>'"/]*)["']?[s]*[/]?[s]*>/si', $contents, $match);

			if (isset($match) && is_array($match) && count($match) > 0)
			{
				$charset = $match[1];
			}
			dump($charset);

			preg_match('/<title>([^>]*)</title>/si', $contents, $match );
			if (isset($match) && is_array($match) && count($match) > 0)
			{
				$title = strip_tags($match[1]);
			}
			dump($title);
			preg_match_all('/<[s]*meta[s]*name="?' . '([^>"]*)"?[s]*' . 'content="?([^>"]*)"?[s]*[/]?[s]*>/si', $contents, $match);

			if (isset($match) && is_array($match) && count($match) == 3)
			{
				$originals = $match[0];
				$names = $match[1];
				$values = $match[2];

				if (count($originals) == count($names) && count($names) == count($values))
				{
					$metaTags = array();

					for ($i=0, $limiti=count($names); $i < $limiti; $i++)
					{
						$metaTags[$names[$i]] = $values[$i];
					}
					dump($metaTags);
				}
			}
		}

	}
}

补充资料:

以上实现过程是建于ThinkPHP框架的基础之的.内容首发于:http://bbs.thinkphp.cn/viewthread.php?tid=3578&extra=page%3D1

关于Snoopy.class.php的一些资料:

描述:

Snoopy是什么?

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。

Snoopy的一些特点:

* 方便抓取网页的内容
* 方便抓取网页的文本内容 (去除HTML标签)
* 方便抓取网页的链接
* 支持代理主机
* 支持基本的用户名/密码验证
* 支持设置 user_agent, referer(来路), cookies 和 header content(头文件)
* 支持浏览器转向,并能控制转向深度
* 能把网页中的链接扩展成高质量的url(默认)
* 方便提交数据并且获取返回值
* 支持跟踪HTML框架(v0.92增加)
* 支持再转向的时候传递cookies (v0.92增加)

要求:

Snoopy requires PHP with PCRE (Perl Compatible Regular Expressions),
which should be PHP 3.0.9 and up. For read timeout support, it requires
PHP 4 Beta 4 or later. Snoopy was developed and tested with PHP 3.0.12.

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

更详细的示例和中文手册的下载请访问:http://www.wangchong.org/spider/32.html

发表评论

电子邮件地址不会被公开。 必填项已用*标注