snoopy（强大的PHP采集类） 实例应用

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。

下载地址： http://sourceforge.net/project/showfiles.php?group_id=2091

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

include "Snoopy.class.php" ;
$snoopy = new Snoopy;

$snoopy ->proxy_host = "http://www.4wei.cn" ;
$snoopy ->proxy_port = "80" ;

$snoopy ->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)" ;
$snoopy ->referer = "http://www.4wei.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.4wei.cn" ))
{
echo "<PRE>" .htmlspecialchars( $snoopy ->results). "</PRE>\n" ;
}
else
echo "error fetching document: " . $snoopy ->error. "\n" ;

以下是一些代码片段：
1获取指定url内容

<?
$url = "http://www.4wei.cn" ;
include ( "snoopy.php" );
$snoopy = new Snoopy;
$snoopy ->fetch( $url ); //获取所有内容
echo $snoopy ->results; //显示结果
//可选以下
$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
$formvars [ "username" ] = "admin" ;
$formvars [ "pwd" ] = "admin" ;
$action = "http://www.4wei.cn" ;//</a>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
//可选以下
$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
$formvars [ "username" ] = "admin" ;
$formvars [ "pwd" ] = "admin" ;
$action = "http://www.4wei.cn" ;
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.4wei.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;
?>

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

帮助

01 02 03 04 05 06 07 08 09 10

<?php $snoopy ->proxy_host = "http://www.4wei.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 <a href="http://www.4wei.cn/images/taoav.gif">http://www.4wei.cn/images/taoav.gif</a> $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 ?>