您的位置：首页 > 编程语言 > PHP开发

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
 
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
2 表单提交

 
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
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
 
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;
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
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
$snoopy
->error
//返回报错信息
上面的基本用法了解了，下面我就实例演示一次：
01
<? 
02
//echo var_dump($_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/"
,
$n
); 
12
?>
这是模拟登陆PHPCHINA论坛的过程，首先要查看自己浏览器的信息：echo var_dump($_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。
内容来自用户分享和网络整理，不保证内容的准确性，如有侵权内容，可联系管理员处理 点击这里给我发消息
标签：  php 浏览器 action include html server
相关文章推荐
新的分享
章节导航