PHP采集利器:Snoopy 试用心得
2011-07-19 13:47
531 查看
很早就见识到论坛里很多大牛们自己写采集程序,很羡慕,自己水平有限,心有余而力不足,今天在网上找到了Snoopy,试用了一下,感觉很爽,推荐给大家(高手就免看了):
先引用网上摘抄的一段说明:
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)
要想了解的更深入些,你自己Google一下吧。下面就给几个简单的例子:
1获取指定url内容
2 表单提交
既然已经提交的表单 那就可以做很多事情 接下来我们来伪装ip,伪装浏览器
3 伪装
原来我们可以伪装session 伪装浏览器 ,伪装ip, haha 可以做很多事情了。
例如 带验证码,验证ip 投票, 可以不停的投。
ps:这里伪装ip ,其实是伪装http头, 所以一般的通过 REMOTE_ADDR 获取的ip是伪装不了,
反而那些通过http头来获取ip的(可以防止代理的那种) 就可以自己来制造ip。
关于如何验证码 ,简单说下:
首先用普通的浏览器, 查看页面 , 找到验证码所对应的sessionid,
同时记下sessionid和验证码值,
接下来就用snoopy去伪造 。
原理:由于是同一个sessionid 所以取得的验证码和第一次输入的是一样的。
4 有时我们可能需要伪造更多的东西,snoopy完全为我们想到了
上面的基本用法了解了,下面我就实例演示一次:
这是模拟登陆PHPCHINA论坛的过程,首先要查看自己浏览器的信息:echo var_dump($_SERVER);这句代码可以看到自己浏览器的信息,把 $_SERVER['HTTP_USER_AGENT']后边的内容复制下来,粘在$snoopy->agent的地方,然后就是要查看自己的COOKIE了,用自己在论坛的账号登陆论坛后,在浏览器地址栏里输入javascript:document.write(document.cookie),回车,就可以看到自己的cookie信息,复制粘贴到$snoopy->rawheaders["COOKIE"]=的后边。(我的cookie信息为了安全起见已经删除了一段内容)
然后再注意:
# $n=ereg_replace("href=\"","href=\"http://bbs.phpchina.com/",$snoopy->results );
# echo ereg_replace("src=\"","src=\"http://bbs.phpchina.com/",$n);
这两句代码,因为采集到的内容所有的HTML源码地址都是相对链接,所以要替换成绝对链接,这样就可以引用论坛的图片和css样式了。
最后,见效果图:
转载:http://www.pfeng.org/archives/22/
注意看地址栏地址,是我本地测试的地址,是不是和真实登陆论坛一模一样?够山寨~爽。我的初步研究就这些,有新进展了再和大家交流。
Snoopy类的最新版的源码请自己搜一下吧!这里就不放上了。
先引用网上摘抄的一段说明:
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)
要想了解的更深入些,你自己Google一下吧。下面就给几个简单的例子:
1获取指定url内容
1 | $url = "http://www.taoav.com" ; |
2 | include ( "snoopy.php" ); |
3 | $snoopy = new Snoopy; |
4 | $snoopy ->fetch( $url ); //获取所有内容 |
5 | echo $snoopy ->results; //显示结果 |
6 | //可选以下 |
7 | $snoopy ->fetchtext //获取文本内容(去掉html代码) |
8 | $snoopy ->fetchlinks //获取链接 |
9 | $snoopy ->fetchform //获取表单 |
1 | $formvars [ "username" ] = "admin" ; |
2 | $formvars [ "pwd" ] = "admin" ; |
3 | $action = "http://www.taoav.com" ;//表单提交地址 |
4 | $snoopy ->submit( $action , $formvars ); //$formvars为提交的数组 |
5 | echo $snoopy ->results; //获取表单提交后的 返回的结果 |
6 | //可选以下 |
7 | $snoopy ->submittext; //提交后只返回 去除html的 文本 |
8 | $snoopy ->submitlinks; //提交后只返回 链接 |
3 伪装
01 | $formvars [ "username" ] = "admin" ; |
02 | $formvars [ "pwd" ] = "admin" ; |
03 | $action = "http://www.taoav.com" ; |
04 | include "snoopy.php" ; |
05 | $snoopy = new Snoopy; |
06 | $snoopy ->cookies[ "PHPSESSID" ] = 'fc106b1918bd522cc863f36890e6fff7' ; //伪装sessionid |
07 | $snoopy ->agent = "(compatible;MSIE 4.01;MSN 2.5;AOL 4.0;Windows 98)" ; //伪装浏览器 |
08 | $snoopy ->referer = "http://www.only4.cn" ;//伪装来源页地址 http_referer |
09 | $snoopy ->rawheaders[ "Pragma" ] = "no-cache" ; //cache 的http头信息 |
10 | $snoopy ->rawheaders[ "X_FORWARDED_FOR" ] = "127.0.0.101" ; //伪装ip |
11 | $snoopy ->submit( $action , $formvars ); |
12 | echo $snoopy ->results; |
例如 带验证码,验证ip 投票, 可以不停的投。
ps:这里伪装ip ,其实是伪装http头, 所以一般的通过 REMOTE_ADDR 获取的ip是伪装不了,
反而那些通过http头来获取ip的(可以防止代理的那种) 就可以自己来制造ip。
关于如何验证码 ,简单说下:
首先用普通的浏览器, 查看页面 , 找到验证码所对应的sessionid,
同时记下sessionid和验证码值,
接下来就用snoopy去伪造 。
原理:由于是同一个sessionid 所以取得的验证码和第一次输入的是一样的。
4 有时我们可能需要伪造更多的东西,snoopy完全为我们想到了
1 | $snoopy ->proxy_host = "www.only4.cn" ; |
2 | $snoopy ->proxy_port = "8080" ; //使用代理 |
3 | $snoopy ->maxredirs =2; //重定向次数 |
4 | $snoopy ->expandlinks =true; //是否补全链接 在采集的时候经常用到 |
5 | // 例如链接为 /images/taoav.gif 可改为它的全链接 http://www.taoav.com/images/taoav.gif,这个地方其实可以在最后输出的时候用ereg_replace函数自己替换 |
6 | $snoopy ->maxframes =5 //允许的最大框架数 |
7 | //注意抓取框架的时候 $snoopy->results 返回的是一个数组 |
8 | $snoopy ->error //返回报错信息 |
01 | <? |
02 | //echo var_dump($_SERVER); |
03 | include ( "Snoopy.class.php" ); |
04 | $snoopy = new Snoopy; |
05 | $snoopy ->agent = "Mozilla/5.0 (Windows;U;Windows NT 5.1;zh-CN;rv:1.9.0.5) Gecko/2008120122 Firefox/3.0.5 FirePHP/0.2.1" ; //这项是浏览器信息,前面你用什么浏览器查看cookie,就用那个浏览器的信息(ps:$_SERVER可以查看到浏览器的信息) |
06 | $snoopy ->referer = "http://bbs.phpchina.com/index.php" ; |
07 | $snoopy ->expandlinks =true; |
08 | $snoopy ->rawheaders[ "COOKIE" ]= "__utmz=17229162.1227682761.29.7.utmccn=(referral)|utmcsr=phpchina.com|utmcct=/html/index.html|utmcmd=referral;cdbphpchina_smile=1D2D0D1;cdbphpchina_cookietime=2592000;__utma=233700831.1562900865.1227113506.1229613449.1231233266.16;__utmz=233700831.1231233266.16.8.utmccn=(referral)|utmcsr=localhost:8080|utmcct=/test3.php|utmcmd=referral;__utma=17229162.1877703507.1227113568.1231228465.1231233160.58;uchome_loginuser=sinopf;xscdb_cookietime=2592000;__utmc=17229162;__utmb=17229162;cdbphpchina_sid=EX5w1V;__utmc=233700831;cdbphpchina_visitedfid=17;cdbphpchinaO766uPYGK6OWZaYlvHSuzJIP22VpwEMGnPQAuWCFL9Fd6CHp2e%2FKw0x4bKz0N9lGk;xscdb_auth=8106rAyhKpQL49eMs%2FyhLBf3C6ClZ%2B2idSk4bExJwbQr%2BHSZrVKgqPOttHVr%2B6KLPg3DtWpTMUI4ttqNNVpukUj6ElM;cdbphpchina_onlineusernum=3721" ; |
09 | $snoopy ->fetch( "http://bbs.phpchina.com/forum-17-1.html" ); |
10 | $n = ereg_replace ( "href=\"" , "href=\"http://bbs.phpchina.com/" , $snoopy ->results ); |
11 | echo ereg_replace ( "src=\"" , "src=\"http://bbs.phpchina.com/" , $n ); |
12 | ?> |
然后再注意:
# $n=ereg_replace("href=\"","href=\"http://bbs.phpchina.com/",$snoopy->results );
# echo ereg_replace("src=\"","src=\"http://bbs.phpchina.com/",$n);
这两句代码,因为采集到的内容所有的HTML源码地址都是相对链接,所以要替换成绝对链接,这样就可以引用论坛的图片和css样式了。
最后,见效果图:
转载:http://www.pfeng.org/archives/22/
注意看地址栏地址,是我本地测试的地址,是不是和真实登陆论坛一模一样?够山寨~爽。我的初步研究就这些,有新进展了再和大家交流。
Snoopy类的最新版的源码请自己搜一下吧!这里就不放上了。
相关文章推荐
- PHP采集利器 Snoopy 试用心得
- PHP采集利器:Snoopy 试用心得
- PHP采集利器:Snoopy 试用心得
- PHP采集利器:Snoopy 试用心得
- PHP采集利器:Snoopy 试用心得
- PHP采集利器:Snoopy 试用心得
- PHP采集利器:Snoopy 试用心得
- PHP采集利器:Snoopy 试用心得
- PHP采集利器:Snoopy 试用心得
- PHP采集利器 Snoopy 试用心得
- PHP采集利器:Snoopy 试用心得
- PHP采集利器 Snoopy 试用心得
- PHP采集利器 Snoopy 试用心得
- PHP采集利器:Snoopy 试用心得【转】
- PHP采集利器:Snoopy 试用心得
- PHP采集利器:Snoopy 试用心得
- PHP采集利器 Snoopy 试用心得
- PHP采集利器snoopy应用详解【转】
- php采集利器snoopy应用技巧
- php snoopy 试用心得