程序師世界是廣大編程愛好者互助、分享、學習的平台,程序師世界有你更精彩!
首頁
編程語言
C語言|JAVA編程
Python編程
網頁編程
ASP編程|PHP編程
JSP編程
數據庫知識
MYSQL數據庫|SqlServer數據庫
Oracle數據庫|DB2數據庫
 程式師世界 >> 編程語言 >> 網頁編程 >> PHP編程 >> 關於PHP編程 >> PHP采集類snoopy詳細介紹(snoopy使用教程)

PHP采集類snoopy詳細介紹(snoopy使用教程)

編輯:關於PHP編程

Snoopy是一個php類,用來模擬浏覽器的功能,可以獲取網頁內容,發送表單,可以用來開發一些采集程序和小偷程序,本文章詳細介紹snoopy的使用教程。

Snoopy的一些特點:
抓取網頁的內容 fetch
抓取網頁的文本內容 (去除HTML標簽) fetchtext
抓取網頁的鏈接,表單 fetchlinks fetchform
支持代理主機
支持基本的用戶名/密碼驗證
支持設置 user_agent, referer(來路), cookies 和 header content(頭文件)
支持浏覽器重定向,並能控制重定向深度
能把網頁中的鏈接擴展成高質量的url(默認)
提交數據並且獲取返回值
支持跟蹤HTML框架
支持重定向的時候傳遞cookies
要求php4以上就可以了 由於本身是php一個類 無需擴支持 服務器不支持curl時候的最好選擇,

Snoopy類方法及示例:

fetch($URI)
這是為了抓取網頁的內容而使用的方法。
$URI參數是被抓取網頁的URL地址。
抓取的結果被存儲在 $this->results 中。
如果你正在抓取的是一個框架,Snoopy將會將每個框架追蹤後存入數組中,然後存入 $this->results。

fetchtext($URI)
本方法類似於fetch(),唯一不同的就是本方法會去除HTML標簽和其他的無關數據,只返回網頁中的文字內容。

fetchform($URI)
本方法類似於fetch(),唯一不同的就是本方法會去除HTML標簽和其他的無關數據,只返回網頁中表單內容(form)。

fetchlinks($URI)
本方法類似於fetch(),唯一不同的就是本方法會去除HTML標簽和其他的無關數據,只返回網頁中鏈接(link)。
默認情況下,相對鏈接將自動補全,轉換成完整的URL。

submit($URI,$formvars)
本方法向$URL指定的鏈接地址發送確認表單。$formvars是一個存儲表單參數的數組。

submittext($URI,$formvars)
本方法類似於submit(),唯一不同的就是本方法會去除HTML標簽和其他的無關數據,只返回登陸後網頁中的文字內容。

submitlinks($URI)
本方法類似於submit(),唯一不同的就是本方法會去除HTML標簽和其他的無關數據,只返回網頁中鏈接(link)。
默認情況下,相對鏈接將自動補全,轉換成完整的URL。


Snoopy采集類屬性: (默認值在括號裡)

$host 連接的主機
$port 連接的端口
$proxy_host 使用的代理主機,如果有的話
$proxy_port 使用的代理主機端口,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, 0=不允許 (5)
$offsiteok whether or not to allow redirects off-site. (true)
$expandlinks 是否將鏈接都補全為完整地址 (true)
$user 認證用戶名, 如果有的話
$pass 認證用戶名, 如果有的話
$accept http 接受類型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
$error 哪裡報錯, 如果有的話
$response_code 從服務器返回的響應代碼
$headers 從服務器返回的頭信息
$maxlength 最長返回數據長度
$read_timeout 讀取操作超時 (requires PHP 4 Beta 4+) 設置為0為沒有超時
$timed_out 如果一次讀取操作超時了,本屬性返回 true (requires PHP 4 Beta 4+)
$maxframes 允許追蹤的框架最大數量
$status 抓取的http的狀態
$temp_dir 網頁服務器能夠寫入的臨時文件目錄 (/tmp)
$curl_path cURL binary 的目錄, 如果沒有cURL binary就設置為 false

下面是一個示例:
復制代碼 代碼如下:
include "Snoopy.class.php";
 $snoopy = new Snoopy;
 
 $snoopy->proxy_host = "http://www.jb51.net";
 $snoopy->proxy_port = "80";
 
 $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
 $snoopy->referer = "http://www.jb51.net";
 
 $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($snoopy->fetchtext("http://www.jb51.net"))
 {
 echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>\n";
 }
 else
 echo "error fetching document: ".$snoopy->error."\n";

獲取指定url內容
復制代碼 代碼如下:<?php
 $url = "http://www.jb51.net";
 include("snoopy.php");
 $snoopy = new Snoopy;
 $snoopy->fetch($url); //獲取所有內容
 echo $snoopy->results; //顯示結果
 //可選以下
 $snoopy->fetchtext //獲取文本內容(去掉html代碼)
 $snoopy->fetchlinks //獲取鏈接
 $snoopy->fetchform  //獲取表單
 ?>

表單提交
復制代碼 代碼如下:<?php
$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://www.jb51.net";//</a>表單提交地址
$snoopy->submit($action,$formvars);//$formvars為提交的數組
echo $snoopy->results; //獲取表單提交後的 返回的結果
//可選以下
$snoopy->submittext; //提交後只返回 去除html的 文本
$snoopy->submitlinks;//提交後只返回 鏈接
?>
既然已經提交的表單 那就可以做很多事情 接下來我們來偽裝ip,偽裝浏覽器

偽裝浏覽器
復制代碼 代碼如下:<?php
$formvars["username"] = "lanfengye";
$formvars["pwd"] = "lanfengye";
$action = "http://www.jb51.net";
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)"; //偽裝浏覽器
$snoopy->referer = "http://www.jb51.net"; //偽裝來源頁地址 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 偽裝浏覽器 ,偽裝ip, haha 可以做很多事情了。
例如 帶驗證碼,驗證ip 投票, 可以不停的投。
ps:這裡偽裝ip ,其實是偽裝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。
關於如何驗證碼 ,簡單說下:
首先用普通的浏覽器, 查看頁面 , 找到驗證碼所對應的sessionid,
同時記下sessionid和驗證碼值,
接下來就用snoopy去偽造 。
原理:由於是同一個sessionid 所以取得的驗證碼和第一次輸入的是一樣的。

有時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.jb51.net";
$snoopy->proxy_port = "8080"; //使用代理
$snoopy->maxredirs = 2; //重定向次數
$snoopy->expandlinks = true; //是否補全鏈接 在采集的時候經常用到
// 例如鏈接為 /images/taoav.gif 可改為它的全鏈接 <a href="http://www.jb51.net/images/taoav.gif">http://www.jb51.net/images/taoav.gif</a>
$snoopy->maxframes = 5 //允許的最大框架數
//注意抓取框架的時候 $snoopy->results 返回的是一個數組
$snoopy->error //返回報錯信息
?>

  1. 上一頁:
  2. 下一頁:
Copyright © 程式師世界 All Rights Reserved