PHP抓取采集类snoopy介绍

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。

<?php$url = "http://www.nowamagic.net/librarys/veda/";include("./Snoopy.class.php");$snoopy = new Snoopy;$snoopy->fetch($url); //获取所有内容echo $snoopy->results; //显示结果?>

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。

<?php$url = "http://www.nowamagic.net/librarys/veda/";include("./Snoopy.class.php");$snoopy = new Snoopy;$snoopy->fetchtext($url); //获取文本内容echo $snoopy->results; //显示结果?>

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)。

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。

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。

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。

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。

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

include "Snoopy.class.php";$snoopy = new Snoopy;$snoopy->proxy_host = "http://www.nowamagic.net/librarys/veda/";$snoopy->proxy_port = "80";$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";$snoopy->referer = "http://www.4wei.cn";$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.4wei.cn")){echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>n";}elseecho "error fetching document: ".$snoopy->error."n";

获取指定url内容：

<?$url = "http://www.nowamagic.net/librarys/veda/";include("snoopy.php");$snoopy = new Snoopy;$snoopy->fetch($url); //获取所有内容echo $snoopy->results; //显示结果//可选以下//$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?>

表单提交：

<?php$formvars["username"] = "admin";$formvars["pwd"] = "admin";$action = "http://www.nowamagic.net/librarys/veda/";//表单提交地址$snoopy->submit($action,$formvars);//$formvars为提交的数组echo $snoopy->results; //获取表单提交后的 返回的结果//可选以下$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：

<?php$formvars["username"] = "admin";$formvars["pwd"] = "admin";$action = "http://www.4wei.cn";include "snoopy.php";$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$snoopy->referer = http://www.4wei.cn; //伪装来源页地址 http_referer$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。

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$snoopy->proxy_host = "http://www.nowamagic.net/librarys/veda/";$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 <a href="http://www.4wei.cn/images/taoav.gif">http://www.4wei.cn/images/taoav.gif</a>$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?>

比较完整的示例：

/*** You need the snoopy.class.php from * http://snoopy.sourceforge.net/*/include("snoopy.class.php"); $snoopy = new Snoopy;// need an proxy?://$snoopy->proxy_host = "my.proxy.host";//$snoopy->proxy_port = "8080"; // set browser and referer:$snoopy->agent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)";$snoopy->referer = "http://www.jonasjohn.de/"; // set some cookies:$snoopy->cookies["SessionID"] = '238472834723489';$snoopy->cookies["favoriteColor"] = "blue"; // set an raw-header:$snoopy->rawheaders["Pragma"] = "no-cache"; // set some internal variables:$snoopy->maxredirs = 2;$snoopy->offsiteok = false;$snoopy->expandlinks = false; // set username and password (optional)//$snoopy->user = "joe";//$snoopy->pass = "bloe"; // fetch the text of the website www.google.com:if($snoopy->fetchtext("http://www.google.com")){     // other methods: fetch, fetchform, fetchlinks, submittext and submitlinks     // response code:    print "response code: ".$snoopy->response_code."<br/>n";     // print the headers:     print "<b>Headers:</b><br/>";    while(list($key,$val) = each($snoopy->headers)){        print $key.": ".$val."<br/>n";    }     print "<br/>n";     // print the texts of the website:    print htmlspecialchars($snoopy->results)."n";}else {    print "Snoopy: error while fetching document: ".$snoopy->error."n";}

用Snoopy类完成一个简单的图片采集：

<meta http-equiv='content-type' content='text/html;charset=utf-8'><?php    include 'Snoopy.class.php';   //加载Snoopy类     $snoopy = new Snoopy();       //实例化一个对象$sourceURL = "http://www.nowamagic.net/librarys/veda/";    //要抓取的网页$snoopy->fetchlinks($sourceURL);        //获得网页的链接$a = $snoopy->results;     //得到网页链接的结果$re = "/d+.html$/";     //匹配的正则//过滤获取指定的文件地址请求  foreach ($a as $tmp) { if (preg_match($re, $tmp)) {$aa=$tmp;         }    }  getImgURL($aa);function getImgURL($siteName) {         $snoopy = new Snoopy();         $snoopy->fetch($siteName);                 $fileContent = $snoopy->results;    //获取过滤后的页面的内容             //匹配图片的正则表达式         $reTag = "/<img[^s]+src="(http://[^"]+).(jpg|png|gif|jpeg)"[^/]*/>/i";                if (preg_match($reTag, $fileContent)) {     //过滤图片$ret = preg_match_all($reTag, $fileContent, $matchResult);                     for ($i = 0, $len = count($matchResult[1]); $i < $len; ++$i) {      saveImgURL($matchResult[1][$i], $matchResult[2][$i]);            }        }    }        function saveImgURL($name, $suffix) { $url = $name.".".$suffix;                 echo "请求的图片地址：".$url."<br/>";                 $imgSavePath = "E:/123/images/";  //图片保存地址       $imgId =mt_rand(); //产生一个随机的文件名 if ($suffix == "gif") { //根据图片类型，放入不同的文件夹下面             $imgSavePath .= "emotion";         } else {              $imgSavePath .= "topic";         }         $imgSavePath .= ("/".$imgId.".".$suffix);  //组装要保存的文件名 if (is_file($imgSavePath)) {   //判断文件名是否存在，存在则删除           unlink($imgSavePath);              echo "<p style='color:#f00;'>文件".$imgSavePath."已存在，将被删除</p>";         }   $imgFile = file_get_contents($url); //读取网络文件      $flag = file_put_contents($imgSavePath,$imgFile);   //写入到本地  if ($flag) {              echo "<p>文件".$imgSavePath."保存成功</p>";         }    }?>