這裡介紹兩個php採集能用到的好工具。一個是Snoopy，一個是simple_html_dom。採集還有很多方式（其實本質就2-3種，其他的都是衍生的），php內建了幾個方法也能直接進行採集。但是，出於把懶惰進行到底的精神。我們還是可以通過這兩個工具，讓採集變得更簡單。
網上有不少介紹Snoopy的，下面是別人翻譯的Snoopy的SDK
//////////////////////////////////////////////////////////////
Snoopy是一個php類，用來類比瀏覽器的功能，可以擷取網頁內容，發送表單。
Snoopy的一些特點:
1抓取網頁的內容 fetch
2抓取網頁的常值內容 (去除HTML標籤) fetchtext
3抓取網頁的連結，表單 fetchlinks fetchform
4支援代理主機
5支援基本的使用者名稱/密碼驗證
6支援設定 user_agent, referer(來路), cookies 和 header content(標頭檔)
7支援瀏覽器重新導向，並能控制重新導向深度
8能把網頁中的連結擴充功能成高品質的url(預設)
9提交資料並且擷取傳回值
10支援跟蹤HTML架構
11支援重新導向的時候傳遞cookies
要求php4以上就可以了 由於本身是php一個類 無需擴支援 伺服器不支援curl時候的最好選擇，
類方法:
fetch($URI)
———–
這是為了抓取網頁的內容而使用的方法。
$URI參數是被抓取網頁的URL地址。
抓取的結果被儲存在 $this->results 中。
如果你正在抓取的是一個架構，Snoopy將會將每個架構追蹤後存入數組中，然後存入 $this->results。
fetchtext($URI)
—————
本方法類似於fetch()，唯一不同的就是本方法會去除HTML標籤和其他的無關資料，只返回網頁中的文字內容。
fetchform($URI)
—————
本方法類似於fetch()，唯一不同的就是本方法會去除HTML標籤和其他的無關資料，只返回網頁中表單內容(form)。
fetchlinks($URI)
—————-
本方法類似於fetch()，唯一不同的就是本方法會去除HTML標籤和其他的無關資料，只返回網頁中連結(link)。
預設情況下，相對連結將自動補全，轉換成完整的URL。
submit($URI,$formvars)
———————-
本方法向$URL指定的連結地址發送確認表單。$formvars是一個儲存表單參數的數組。
submittext($URI,$formvars)
————————–
本方法類似於submit()，唯一不同的就是本方法會去除HTML標籤和其他的無關資料，只返回登陸後網頁中的文字內容。
submitlinks($URI)
—————-
本方法類似於submit()，唯一不同的就是本方法會去除HTML標籤和其他的無關資料，只返回網頁中連結(link)。
預設情況下，相對連結將自動補全，轉換成完整的URL。
類屬性: (預設值在括弧裡)
$host 串連的主機
$port 串連的連接埠
$proxy_host 使用的代理主機，如果有的話
$proxy_port 使用的代理主機連接埠，如果有的話
$agent 使用者代理程式偽裝 (Snoopy v0.1)
$referer 來路資訊，如果有的話
$cookies cookies， 如果有的話
$rawheaders 其他的頭資訊, 如果有的話
$maxredirs 最大重新導向次數， 0=不允許 (5)
$offsiteok whether or not to allow redirects off-site. (true)
$expandlinks 是否將連結都補全為完整地址 (true)
$user 認證使用者名稱, 如果有的話
$pass 認證使用者名稱, 如果有的話
$accept http 接受類型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
$error 哪裡報錯, 如果有的話
$response_code 從伺服器返回的響應代碼
$headers 從伺服器返回的頭資訊
$maxlength 最長返回資料長度
$read_timeout 讀取操作逾時 (requires PHP 4 Beta 4+)
設定為0為沒有逾時
$timed_out 如果一次讀取操作逾時了，本屬性返回 true (requires PHP 4 Beta 4+)
$maxframes 允許追蹤的架構最大數量
$status 抓取的http的狀態
$temp_dir 網頁伺服器能夠寫入的臨時檔案目錄 (/tmp)
$curl_path cURL binary 的目錄, 如果沒有cURL binary就設定為 false
以下是demo
複製代碼 代碼如下:
include "Snoopy.class.php";
$snoopy = new Snoopy;
$snoopy->proxy_host = "www.7767.cn";
$snoopy->proxy_port = "8080";
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
$snoopy->referer = "http://www.7767.cn/";
$snoopy->cookies["SessionID"] = 238472834723489l;
$snoopy->cookies["favoriteColor"] = "RED";
$snoopy->rawheaders["Pragma"] = "no-cache";
$snoopy->maxredirs = 2;
$snoopy->offsiteok = false;
$snoopy->expandlinks = false;
$snoopy->user = "joe";
$snoopy->pass = "bloe";
if($snoopy->fetchtext("http://www.7767.cn"))
{
echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>\n";
}
else
echo "error fetching document: ".$snoopy->error."\n";
//////////////////////////////////////////////////////////////
Snoopy的特點是“大”和“全”，一個fetch什麼都採到了，可以作為採集的第一步。接下來就需要用simple_html_dom來細細的把想要的部分，扣出來。當然，如果你特別特別擅長正則，而且又鐘愛正則，你也可以用正則去匹配抓取。
simple_html_dom其實是一個dom解析的過程。php內部也提供了一些解析的方法，但是這個simple_html_dom可以說做得比較專業，一個類，滿足了很多你想要的功能。
////////////////////////////////////////////////////////////////
// 用一個URL或檔案名稱，建立一個目的文件對象 ，也就是目標網頁
$html = file_get_html ('http://www.7767.cn/' );
//$html = file_get_html ('test.htm' );
//用一個字串作為一個目標網頁。你可以通過Snoopy擷取頁面，然後再拿到這裡來處理
$myhtml = str_get_html ('<html><body>Hello!</body></html>' );
// 找到所有的圖片，返回的是數組
foreach($html->find ('img' ) as $element)
echo $element->src . '<br>' ;
// 找到所有的連結
foreach($html->find ('a' ) as $element)
echo $element->href . '<br>' ;
find方法很好用，通常它返回的是一個包含對象的數組。尋找目標元素的時候可以通過class或者id，或者其他屬性擷取目標字串。
//通過目標div的class屬性，尋找div，find方法中第二個參數是返回的那個數組中的第幾個。從0開始是第一個
$target_div = $html->find ('div.targetclass',0 );
//查看結果是否是你想要的，直接echo就可以了
echo $target_div;
//比較關鍵的一點是，這個採集對象建立完後，一定要銷毀掉，否則php頁面有可能會“卡”上30秒左右，這個取決於你伺服器的那個時間限制。銷毀的方法是：
$html->clear();
unset($html);
本人認為simple_html_dom比較優秀的地方就是，把採集控製得像JS一樣容易。在下面提供的下載包中有英文的手冊
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 () |
