PHP抓取采集类snoopy介绍

PHP抓取采集类snoopy介绍

一个PHP的抓取方案

在 2011年07月04日 那天写的     已经有 10270 次阅读了

感谢 参考或原文

 

服务器君一共花费了14.288 ms进行了2次数据库查询，努力地为您提供了这个页面。

试试阅读模式？希望听取您的建议

 

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。官方网站 http://snoopy.sourceforge.net/

Snoopy的一些功能特点：

• 抓取网页的内容 fetch()
• 抓取网页的文本内容 (去除HTML标签) fetchtext()
• 抓取网页的链接，表单 fetchlinks() fetchform()
• 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)
• 支持浏览器重定向，并能控制重定向深度
• 能把网页中的链接扩展成高质量的url(默认)
• 提交数据并且获取返回值
• 支持跟踪HTML框架
• 支持重定向的时候传递cookies

要求php4以上就可以。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

1. 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。

1

<?php

2	$url = "http://www.nowamagic.net/librarys/veda/";

3	include("./Snoopy.class.php");

4

5	$snoopy = new Snoopy;

6	$snoopy->fetch($url);        //获取所有内容

7	echo $snoopy->results;       //显示结果

8

?>

2. 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。

1

<?php

2	$url = "http://www.nowamagic.net/librarys/veda/";

3	include("./Snoopy.class.php");

4

5	$snoopy = new Snoopy;

6	$snoopy->fetchtext($url);        //获取文本内容

7	echo $snoopy->results;       //显示结果

8

?>

3. 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)。

1

4. 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。

1

5. 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。

1

6. 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。

1

7. 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。

1

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

Demo

01	include "Snoopy.class.php";

02	$snoopy = new Snoopy;

03

04	$snoopy->proxy_host = "http://www.nowamagic.net/librarys/veda/";

05	$snoopy->proxy_port = "80";

06

07	$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";

08	$snoopy->referer = "http://www.4wei.cn";

09

10	$snoopy->cookies["SessionID"] = 238472834723489l;

11	$snoopy->cookies["favoriteColor"] = "RED";

12

13	$snoopy->rawheaders["Pragma"] = "no-cache";

14

15	$snoopy->maxredirs = 2;

16	$snoopy->offsiteok = false;

17	$snoopy->expandlinks = false;

18

19	$snoopy->user = "joe";

20	$snoopy->pass = "bloe";

21

22	if($snoopy->fetchtext("http://www.4wei.cn"))

23

{

24	echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>n";

25

}

26

else

27	echo "error fetching document: ".$snoopy->error."n";

获取指定url内容：

01

<?

02	$url = "http://www.nowamagic.net/librarys/veda/";

03	include("snoopy.php");

04	$snoopy = new Snoopy;

05	$snoopy->fetch($url); //获取所有内容

06	echo $snoopy->results; //显示结果

07

//可选以下

08	//$snoopy->fetchtext //获取文本内容（去掉html代码）

09	//$snoopy->fetchlinks //获取链接

10	//$snoopy->fetchform  //获取表单

11

?>

表单提交：

01

<?php

02	$formvars["username"] = "admin";

03	$formvars["pwd"] = "admin";

04	$action = "http://www.nowamagic.net/librarys/veda/";//表单提交地址

05	$snoopy->submit($action,$formvars);//$formvars为提交的数组

06	echo $snoopy->results; //获取表单提交后的 返回的结果

07

//可选以下

08	$snoopy->submittext; //提交后只返回 去除html的 文本

09	$snoopy->submitlinks;//提交后只返回 链接

10

?>

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：

01

<?php

02	$formvars["username"] = "admin";

03	$formvars["pwd"] = "admin";

04	$action = "http://www.4wei.cn";

05	include "snoopy.php";

06	$snoopy = new Snoopy;

07	$snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7'; //伪装sessionid

08	$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";//伪装浏览器

09	$snoopy->referer = http://www.4wei.cn; //伪装来源页地址 http_referer

10	$snoopy->rawheaders["Pragma"] = "no-cache"; //cache 的http头信息

11	$snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.101"; //伪装ip

12	$snoopy->submit($action,$formvars);

13	echo $snoopy->results;

14

?>

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。

有时我们可能需要伪造更多的东西，snoopy完全为我们想到了：

01

<?php

02	$snoopy->proxy_host = "http://www.nowamagic.net/librarys/veda/";

03	$snoopy->proxy_port = "8080"; //使用代理

04	$snoopy->maxredirs = 2; //重定向次数

05	$snoopy->expandlinks = true; //是否补全链接 在采集的时候经常用到

06	// 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>

07	$snoopy->maxframes = 5 //允许的最大框架数

08	//注意抓取框架的时候 $snoopy->results 返回的是一个数组

09	$snoopy->error //返回报错信息

10

?>

比较完整的示例：

01

/**

02	* You need the snoopy.class.php from

03	* http://snoopy.sourceforge.net/

04

*/

05	include("snoopy.class.php");

06

07	$snoopy = new Snoopy;

08	// need an proxy?:

09	//$snoopy->proxy_host = "my.proxy.host";

10	//$snoopy->proxy_port = "8080";

11

12	// set browser and referer:

13	$snoopy->agent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)";

14	$snoopy->referer = "http://www.jonasjohn.de/";

15

16	// set some cookies:

17	$snoopy->cookies["SessionID"] = '238472834723489';

18	$snoopy->cookies["favoriteColor"] = "blue";

19

20	// set an raw-header:

21	$snoopy->rawheaders["Pragma"] = "no-cache";

22

23	// set some internal variables:

24	$snoopy->maxredirs = 2;

25	$snoopy->offsiteok = false;

26	$snoopy->expandlinks = false;

27

28	// set username and password (optional)

29	//$snoopy->user = "joe";

30	//$snoopy->pass = "bloe";

31

32	// fetch the text of the website www.google.com:

33	if($snoopy->fetchtext("http://www.google.com")){

34	// other methods: fetch, fetchform, fetchlinks, submittext and submitlinks

35

36	// response code:

37	print "response code: ".$snoopy->response_code."<br/>n";

38

39	// print the headers:

40

41	print "<b>Headers:</b><br/>";

42	while(list($key,$val) = each($snoopy->headers)){

43	print $key.": ".$val."<br/>n";

44

}

45

46	print "<br/>n";

47

48	// print the texts of the website:

49	print htmlspecialchars($snoopy->results)."n";

50

}

51

else {

52	print "Snoopy: error while fetching document: ".$snoopy->error."n";

53

}

用Snoopy类完成一个简单的图片采集：