快捷導(dǎo)航

PHP采集類snoopy詳細(xì)介紹(snoopy使用教程)

更新時(shí)間：2014年06月19日 10:25:47 投稿：junjie

這篇文章主要介紹了PHP采集類snoopy詳細(xì)介紹,PHP采集類snoopy的詳細(xì)使用教程,需要的朋友可以參考下

Snoopy是一個(gè)php類，用來模擬瀏覽器的功能，可以獲取網(wǎng)頁(yè)內(nèi)容，發(fā)送表單，可以用來開發(fā)一些采集程序和小偷程序，本文章詳細(xì)介紹snoopy的使用教程。

Snoopy的一些特點(diǎn):
抓取網(wǎng)頁(yè)的內(nèi)容 fetch
抓取網(wǎng)頁(yè)的文本內(nèi)容 (去除HTML標(biāo)簽) fetchtext
抓取網(wǎng)頁(yè)的鏈接，表單 fetchlinks fetchform
支持代理主機(jī)
支持基本的用戶名/密碼驗(yàn)證
支持設(shè)置 user_agent, referer(來路), cookies 和 header content(頭文件)
支持瀏覽器重定向，并能控制重定向深度
能把網(wǎng)頁(yè)中的鏈接擴(kuò)展成高質(zhì)量的url(默認(rèn))
提交數(shù)據(jù)并且獲取返回值
支持跟蹤HTML框架
支持重定向的時(shí)候傳遞cookies
要求php4以上就可以了由于本身是php一個(gè)類無需擴(kuò)支持服務(wù)器不支持curl時(shí)候的最好選擇，

Snoopy類方法及示例：

fetch($URI)
這是為了抓取網(wǎng)頁(yè)的內(nèi)容而使用的方法。
$URI參數(shù)是被抓取網(wǎng)頁(yè)的URL地址。
抓取的結(jié)果被存儲(chǔ)在 $this->results 中。
如果你正在抓取的是一個(gè)框架，Snoopy將會(huì)將每個(gè)框架追蹤后存入數(shù)組中，然后存入 $this->results。

fetchtext($URI)
本方法類似于fetch()，唯一不同的就是本方法會(huì)去除HTML標(biāo)簽和其他的無關(guān)數(shù)據(jù)，只返回網(wǎng)頁(yè)中的文字內(nèi)容。

fetchform($URI)
本方法類似于fetch()，唯一不同的就是本方法會(huì)去除HTML標(biāo)簽和其他的無關(guān)數(shù)據(jù)，只返回網(wǎng)頁(yè)中表單內(nèi)容(form)。

fetchlinks($URI)
本方法類似于fetch()，唯一不同的就是本方法會(huì)去除HTML標(biāo)簽和其他的無關(guān)數(shù)據(jù)，只返回網(wǎng)頁(yè)中鏈接(link)。
默認(rèn)情況下，相對(duì)鏈接將自動(dòng)補(bǔ)全，轉(zhuǎn)換成完整的URL。

submit($URI,$formvars)
本方法向$URL指定的鏈接地址發(fā)送確認(rèn)表單。$formvars是一個(gè)存儲(chǔ)表單參數(shù)的數(shù)組。

submittext($URI,$formvars)
本方法類似于submit()，唯一不同的就是本方法會(huì)去除HTML標(biāo)簽和其他的無關(guān)數(shù)據(jù)，只返回登陸后網(wǎng)頁(yè)中的文字內(nèi)容。

submitlinks($URI)
本方法類似于submit()，唯一不同的就是本方法會(huì)去除HTML標(biāo)簽和其他的無關(guān)數(shù)據(jù)，只返回網(wǎng)頁(yè)中鏈接(link)。
默認(rèn)情況下，相對(duì)鏈接將自動(dòng)補(bǔ)全，轉(zhuǎn)換成完整的URL。

Snoopy采集類屬性: (默認(rèn)值在括號(hào)里)

$host 連接的主機(jī)
$port 連接的端口
$proxy_host 使用的代理主機(jī)，如果有的話
$proxy_port 使用的代理主機(jī)端口，如果有的話
$agent 用戶代理偽裝 (Snoopy v0.1)
$referer 來路信息，如果有的話
$cookies cookies 如果有的話
$rawheaders 其他的頭信息, 如果有的話
$maxredirs 最大重定向次數(shù)， 0=不允許 (5)
$offsiteok whether or not to allow redirects off-site. (true)
$expandlinks 是否將鏈接都補(bǔ)全為完整地址 (true)
$user 認(rèn)證用戶名, 如果有的話
$pass 認(rèn)證用戶名, 如果有的話
$accept http 接受類型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
$error 哪里報(bào)錯(cuò), 如果有的話
$response_code 從服務(wù)器返回的響應(yīng)代碼
$headers 從服務(wù)器返回的頭信息
$maxlength 最長(zhǎng)返回?cái)?shù)據(jù)長(zhǎng)度
$read_timeout 讀取操作超時(shí) (requires PHP 4 Beta 4+) 設(shè)置為0為沒有超時(shí)
$timed_out 如果一次讀取操作超時(shí)了，本屬性返回 true (requires PHP 4 Beta 4+)
$maxframes 允許追蹤的框架最大數(shù)量
$status 抓取的http的狀態(tài)
$temp_dir 網(wǎng)頁(yè)服務(wù)器能夠?qū)懭氲呐R時(shí)文件目錄 (/tmp)
$curl_path cURL binary 的目錄, 如果沒有cURL binary就設(shè)置為 false

下面是一個(gè)示例：

復(fù)制代碼代碼如下:

include "Snoopy.class.php";

 $snoopy = new Snoopy;

 $snoopy->proxy_host = "http://www.dbjr.com.cn";

 $snoopy->proxy_port = "80";

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

 $snoopy->referer = "http://www.dbjr.com.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.dbjr.com.cn"))

 {

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

 }

 else

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

獲取指定url內(nèi)容

復(fù)制代碼代碼如下:

<?php

 $url = "http://www.dbjr.com.cn";

 include("snoopy.php");

 $snoopy = new Snoopy;

 $snoopy->fetch($url); //獲取所有內(nèi)容

 echo $snoopy->results; //顯示結(jié)果

 //可選以下

 $snoopy->fetchtext //獲取文本內(nèi)容（去掉html代碼）

 $snoopy->fetchlinks //獲取鏈接

 $snoopy->fetchform  //獲取表單

 ?>

表單提交

復(fù)制代碼代碼如下:

<?php

$formvars["username"] = "admin";

$formvars["pwd"] = "admin";

$action = "http://www.dbjr.com.cn";//</a>表單提交地址

$snoopy->submit($action,$formvars);//$formvars為提交的數(shù)組

echo $snoopy->results; //獲取表單提交后的 返回的結(jié)果

//可選以下

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

$snoopy->submitlinks;//提交后只返回 鏈接

?>

既然已經(jīng)提交的表單那就可以做很多事情接下來我們來偽裝ip,偽裝瀏覽器

偽裝瀏覽器

復(fù)制代碼代碼如下:

<?php

$formvars["username"] = "lanfengye";

$formvars["pwd"] = "lanfengye";

$action = "http://www.dbjr.com.cn";

include "snoopy.php";

$snoopy = new Snoopy;

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

$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; //偽裝瀏覽器

$snoopy->referer = "http://www.dbjr.com.cn"; //偽裝來源頁(yè)地址 http_referer

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

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

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

echo $snoopy->results;

?>

原來我們可以偽裝session 偽裝瀏覽器，偽裝ip， haha 可以做很多事情了。
例如帶驗(yàn)證碼，驗(yàn)證ip 投票，可以不停的投。
ps:這里偽裝ip ，其實(shí)是偽裝http頭, 所以一般的通過 REMOTE_ADDR 獲取的ip是偽裝不了，
反而那些通過http頭來獲取ip的(可以防止代理的那種) 就可以自己來制造ip。
關(guān)于如何驗(yàn)證碼，簡(jiǎn)單說下：
首先用普通的瀏覽器，查看頁(yè)面，找到驗(yàn)證碼所對(duì)應(yīng)的sessionid，
同時(shí)記下sessionid和驗(yàn)證碼值，
接下來就用snoopy去偽造。
原理:由于是同一個(gè)sessionid 所以取得的驗(yàn)證碼和第一次輸入的是一樣的。

有時(shí)我們可能需要偽造更多的東西,snoopy完全為我們想到了

<?php
$snoopy->proxy_host = "http://www.dbjr.com.cn";
$snoopy->proxy_port = "8080"; //使用代理
$snoopy->maxredirs = 2; //重定向次數(shù)
$snoopy->expandlinks = true; //是否補(bǔ)全鏈接在采集的時(shí)候經(jīng)常用到
// 例如鏈接為 /images/taoav.gif 可改為它的全鏈接 <a href="http://www.dbjr.com.cn/images/taoav.gif">http://www.dbjr.com.cn/images/taoav.gif</a>
$snoopy->maxframes = 5 //允許的最大框架數(shù)
//注意抓取框架的時(shí)候 $snoopy->results 返回的是一個(gè)數(shù)組
$snoopy->error //返回報(bào)錯(cuò)信息
?>

您可能感興趣的文章: