PHP采集利器 Snoopy 试用心得


Posted in PHP onJuly 03, 2011

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 = "https://3water.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 = "https://3water.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 = "https://3water.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://s.3water.com"; //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
PHP代码
$snoopy->proxy_host = "3water.com"; 
$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 https://3water.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.3water.com/index.php"; 
$snoopy->expandlinks = true; 
$snoopy->rawheaders["COOKIE"]="__utmz=17229162.1227682761.29.7.utmccn=(referral)|utmcsr=3water.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"; 
$snoopy->fetch("http://bbs.3water.com"); 
$n=ereg_replace("href=\"","href=\"http://bbs.3water.com/",$snoopy->results ); 
echo ereg_replace("src=\"","src=\"http://bbs.3water.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:

# $n=ereg_replace("href=\"","href=\"http://bbs.3water.com/",$snoopy->results );

# echo ereg_replace("src=\"","src=\"http://bbs.3water.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。

PHP 相关文章推荐
PHP 编写的 25个游戏脚本
May 11 PHP
PHP isset()与empty()的使用区别详解
Aug 29 PHP
一些PHP Coding Tips(php小技巧)[2011/04/02最后更新]
May 02 PHP
PHP抓屏函数实现屏幕快照代码分享
Jan 02 PHP
PHP+iFrame实现页面无需刷新的异步文件上传
Sep 16 PHP
PHP与MYSQL中UTF8编码的中文排序实例
Oct 21 PHP
Zend Framework教程之Zend_Db_Table表关联实例详解
Mar 23 PHP
PHP模板引擎Smarty之配置文件在模板变量中的使用方法示例
Apr 11 PHP
PHP+Ajax简单get验证操作示例
Mar 02 PHP
Thinkphp 框架扩展之应用模式实现方法分析
Apr 27 PHP
PHP date_default_timezone_set()设置时区操作实例分析
May 16 PHP
PHP替换Word中变量并导出PDF图片的实现方法
Nov 26 PHP
php中的三元运算符使用说明
Jul 03 #PHP
PHP 数据结构 算法 三元组 Triplet
Jul 02 #PHP
php中批量删除Mysql中相同前缀的数据表的代码
Jul 01 #PHP
PHP中error_reporting()函数的用法(修改PHP屏蔽错误)
Jul 01 #PHP
PHP函数之error_reporting(E_ALL ^ E_NOTICE)详细说明
Jul 01 #PHP
Can't create/write to file 'C:\WINDOWS\TEMP\...MYSQL报错解决方法
Jun 30 #PHP
在php中判断一个请求是ajax请求还是普通请求的方法
Jun 28 #PHP
You might like
PHP5在Apache下的两种模式的安装
2006/09/05 PHP
PHP中PDO基础教程 入门级
2011/09/04 PHP
提高PHP编程效率的方法
2013/11/07 PHP
Windows和Linux中php代码调试工具Xdebug的安装与配置详解
2014/05/08 PHP
destoon利用Rewrite规则设置网站安全
2014/06/21 PHP
微信支付的开发流程详解
2016/09/13 PHP
PHP载入图像imagecreatefrom_gif_jpeg_png系列函数用法分析
2016/11/14 PHP
跟我学Node.js(四)---Node.js的模块载入方式与机制
2014/06/04 Javascript
如何书写高质量jQuery代码(使用jquery性能问题)
2014/06/30 Javascript
javascript父、子页面交互技巧总结
2014/08/08 Javascript
js实现键盘自动打字效果
2016/12/23 Javascript
Bootstrap table使用方法总结
2017/05/10 Javascript
JavaScript面向对象精要(上部)
2017/09/12 Javascript
vue-自定义组件传值的实例讲解
2018/09/18 Javascript
详解angular2.x创建项目入门指令
2018/10/11 Javascript
vue响应式系统之observe、watcher、dep的源码解析
2019/04/09 Javascript
nodejs实现用户登录路由功能
2019/05/22 NodeJs
javascript自定义右键菜单插件
2019/12/16 Javascript
js 将多个对象合并成一个对象 assign方法的实现
2020/09/24 Javascript
express异步函数异常捕获示例详解
2020/11/30 Javascript
[02:04]2018DOTA2亚洲邀请赛Secret赛前采访
2018/04/03 DOTA
Python编写一个闹钟功能
2017/07/11 Python
详解python中的线程
2018/02/10 Python
TensorFlow损失函数专题详解
2018/04/26 Python
Django分页功能的实现代码详解
2019/07/29 Python
pytorch 预训练层的使用方法
2019/08/20 Python
对pytorch的函数中的group参数的作用介绍
2020/02/18 Python
Python 操作SQLite数据库的示例
2020/10/16 Python
Python classmethod装饰器原理及用法解析
2020/10/17 Python
matplotlib对象拾取事件处理的实现
2021/01/14 Python
HTML5混合开发二维码扫描以及调用本地摄像头
2017/12/27 HTML / CSS
英国时尚优质的女装:Hope Fashion
2018/08/14 全球购物
应届生求职信写作技巧
2013/10/24 职场文书
2014年教师个人工作总结
2014/11/10 职场文书
班主任2015新年寄语
2014/12/08 职场文书
节约用电倡议书
2015/04/28 职场文书