PHP采集利器:Snoopy 试用心得

Snoopy是什么? (下载 snoopy
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
PHP代码
?
$url = "http://www.taoav.com" ;  
include ( "snoopy.php" );  
$snoopy = new Snoopy;  
$snoopy ->fetch( $url ); //获取所有内容  
echo $snoopy ->results; //显示结果  
$snoopy ->fetchtext //获取文本内容(去掉html代码)  
$snoopy ->fetchlinks //获取链接  
$snoopy ->fetchform //获取表单  
2 表单提交
PHP代码
?
$formvars [ "username" ] = "admin" ;  
$formvars [ "pwd" ] = "admin" ;  
$action = "http://www.taoav.com" ;//表单提交地址  
$snoopy ->submit( $action , $formvars ); //$formvars为提交的数组  
echo $snoopy ->results; //获取表单提交后的 返回的结果    
$snoopy ->submittext; //提交后只返回 去除html的 文本  
$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
PHP代码
?
$formvars [ "username" ] = "admin" ;  
$formvars [ "pwd" ] = "admin" ;  
$action = "http://www.taoav.com" ;  
include "snoopy.php" ;  
$snoopy = new Snoopy;  
$snoopy ->cookies[ "PHPSESSID" ] = 'fc106b1918bd522cc863f36890e6fff7' ; //伪装sessionid  
$snoopy ->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)" ; //伪装浏览器  
$snoopy ->referer = "http://www.only4.cn" ; //伪装来源页地址 http_referer  
$snoopy ->rawheaders[ "Pragma" ] = "no-cache" ; //cache 的http头信息  
$snoopy ->rawheaders[ "X_FORWARDED_FOR" ] = "127.0.0.101" ; //伪装ip  
$snoopy ->submit( $action , $formvars );  
echo $snoopy ->results;
  1. 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
PHP代码

?
$snoopy ->proxy_host = "www.only4.cn" ;  
$snoopy ->proxy_port = "8080" ; //使用代理     
$snoopy ->maxredirs = 2; //重定向次数   
  $snoopy ->expandlinks = true; //是否补全链接 在采集的时候经常用到  
// 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
$snoopy ->maxframes = 5 //允许的最大框架数     
//注意抓取框架的时候 $snoopy->results 返回的是一个数组  
 
$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:
PHP代码 


?
<?  
//echo var_dump($_SERVER);  
include ( "Snoopy.class.php" );   
$snoopy = new Snoopy;   
$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)   
$snoopy ->referer = "http://bbs.phpchina.com/index.php" ;  
$snoopy ->expandlinks = true;  
$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" ;  
  
 
$n = ereg_replace ( "href=\"" , "href=\"http://bbs.phpchina.com/" , $snoopy ->results );  
echo ereg_replace ( "src=\"" , "src=\"http://bbs.phpchina.com/" , $n );  
?> 

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。

你可能感兴趣的:(PHP)