快捷導(dǎo)航

PHP采集利器 Snoopy 試用心得

更新時(shí)間：2011年07月03日 00:24:43 作者：

Snoopy是一個(gè)php類，用來(lái)模仿web瀏覽器的功能，它能完成獲取網(wǎng)頁(yè)內(nèi)容和發(fā)送表單的任務(wù)。

Snoopy是什么? （下載snoopy）
Snoopy是一個(gè)php類，用來(lái)模仿web瀏覽器的功能，它能完成獲取網(wǎng)頁(yè)內(nèi)容和發(fā)送表單的任務(wù)。
Snoopy的一些特點(diǎn):
* 方便抓取網(wǎng)頁(yè)的內(nèi)容
* 方便抓取網(wǎng)頁(yè)的文本內(nèi)容 (去除HTML標(biāo)簽)
* 方便抓取網(wǎng)頁(yè)的鏈接
* 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(lái)路), cookies 和 header content(頭文件)
* 支持瀏覽器轉(zhuǎn)向，并能控制轉(zhuǎn)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))
* 方便提交數(shù)據(jù)并且獲取返回值
* 支持跟蹤HTML框架(v0.92增加)
* 支持再轉(zhuǎn)向的時(shí)候傳遞cookies (v0.92增加)
要想了解的更深入些，你自己Google一下吧。下面就給幾個(gè)簡(jiǎn)單的例子：
1獲取指定url內(nèi)容
PHP代碼

復(fù)制代碼代碼如下:

 
$url = "http://m.fzitv.net"; 
include("snoopy.php"); 
$snoopy = new Snoopy; 
$snoopy->fetch($url); //獲取所有內(nèi)容 
echo $snoopy->results; //顯示結(jié)果 
$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 

2 表單提交
PHP代碼

復(fù)制代碼代碼如下:

 
$formvars["username"] = "admin"; 
$formvars["pwd"] = "admin"; 
$action = "http://m.fzitv.net";//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 
$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(lái)我們來(lái)偽裝ip,偽裝瀏覽器
3 偽裝
PHP代碼

復(fù)制代碼代碼如下:

 
$formvars["username"] = "admin"; 
$formvars["pwd"] = "admin"; 
$action = "http://m.fzitv.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)"; //偽裝瀏覽器 
$snoopy->referer = "http://s.jb51.net"; //偽裝來(lái)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(lái)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(guò) REMOTE_ADDR 獲取的ip是偽裝不了，
反而那些通過(guò)http頭來(lái)獲取ip的(可以防止代理的那種) 就可以自己來(lái)制造ip。
關(guān)于如何驗(yàn)證碼，簡(jiǎn)單說(shuō)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(lái)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。
4 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代碼

復(fù)制代碼代碼如下:

 
$snoopy->proxy_host = "m.fzitv.net"; 
$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 http://m.fzitv.net/images/taoav.gif，這個(gè)地方其實(shí)可以在最后輸出的時(shí)候用ereg_replace函數(shù)自己替換 
$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 

上面的基本用法了解了，下面我就實(shí)例演示一次：
PHP代碼

復(fù)制代碼代碼如下:

 
<? 
//echo var_dump($_SERVER); 
include("Snoopy.class.php"); 
$snoopy = new Snoopy; 
$snoopy->agent = "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh- 
CN; rv:1.9.0.5) Gecko/2008120122 Firefox/3.0.5 FirePHP/0.2.1";//這項(xiàng)是瀏覽器信 
息，前面你用什么瀏覽器查看cookie，就用那個(gè)瀏覽器的信息(ps:$_SERVER可以查看到瀏覽器的信息) 
$snoopy->referer = "http://bbs.jb51.net/index.php"; 
$snoopy->expandlinks = true; 
$snoopy->rawheaders["COOKIE"]="__utmz=17229162.1227682761.29.7.utmccn=(referral)|utmcsr=jb51.net|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.jb51.net"); 
$n=ereg_replace("href=\"","href=\"http://bbs.jb51.net/",$snoopy->results ); 
echo ereg_replace("src=\"","src=\"http://bbs.jb51.net/",$n); 
?> 

這是模擬登陸PHPCHINA論壇的過(guò)程，首先要查看自己瀏覽器的信
息：echo var_dump($_SERVER);這句代碼可以看到自己瀏覽器的信息，把
$_SERVER['HTTP_USER_AGENT']后邊的內(nèi)容復(fù)制下來(lái)，粘在$snoopy->agent的地方，然后就是要查看自己的
COOKIE了，用自己在論壇的賬號(hào)登陸論壇后，在瀏覽器地址欄里輸入
javascript:document.write(document.cookie)，回車，就可以看到自己的cookie信息，復(fù)制粘貼
到$snoopy->rawheaders["COOKIE"]=的后邊。（我的cookie信息為了安全起見(jiàn)已經(jīng)刪除了一段內(nèi)容）

然后再注意：

# $n=ereg_replace("href=\"","href=\"http://bbs.jb51.net/",$snoopy->results );

# echo ereg_replace("src=\"","src=\"http://bbs.jb51.net/",$n);

這兩句代碼，因?yàn)椴杉降膬?nèi)容所有的HTML源碼地址都是相對(duì)鏈接，所以要替換成絕對(duì)鏈接，這樣就可以引用論壇的圖片和css樣式了。

您可能感興趣的文章: