php数据采集通常都需要程序员的自己判断，然后再决定是否输出这些值，但是输入变量的值要返回数据类型后都是有变化的，今天小编来给大家详细的介绍PHP开发中数据采集的深入分析吧！

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

复制代码代码如下:

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

.htmlspecialchars($snoopy->results).

\n;

}

else

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。

////////////////////////////////////////////////////////////////

// 用一个URL或文件名，创建一个目标文档对象 ，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 (

Hello! );

// 找到所有的图片，返回的是数组

foreach($html->find (img ) as $element)

       echo $element->src .

;

// 找到所有的链接

foreach($html->find (a ) as $element)

       echo $element->href .

;



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

以上就是爱站技术频道为大家分享的PHP开发中数据采集的深入分析，希望能为你提供帮助和参考，让你选择的更加从容。