PHP抓取采集类snoopy介绍
来源:互联网 发布:斯波帝卡淘宝倒闭 编辑:程序博客网 时间:2024/04/25 12:16
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)。
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。
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。
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。
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。
- $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>"; } }?>
- PHP抓取采集类snoopy介绍
- PHP抓取采集类snoopy介绍
- PHP采集类snoopy详细介绍(snoopy使用教程)
- PHP中使用snoopy采集类进行数据抓取
- PHP抓取类-Snoopy
- snoopy(强大的PHP采集类) 详细介绍
- snoopy(强大的PHP采集类) 详细介绍
- snoopy(强大的PHP采集类) 详细介绍
- snoopy(强大的PHP采集类) 详细介绍
- PHP采集类:Snoopy.class.php
- PHP采集类:Snoopy.class.php
- PHP采集类 Snoopy.class.php
- PHP采集类snoopy使用教程
- PHP采集利器:Snoopy
- PHP采集利器:Snoopy
- php+snoopy 数据采集
- 抓取网页链接的php类:snoopy
- PHP Snoopy网页抓取
- 你指间的电光,是我一生的信仰
- js typeof和instanceof的区别
- onInterceptTouchEvent和onTouchEvent调用时序——博客园
- WebService
- 神奇的克罗地亚一套题(5.28)
- PHP抓取采集类snoopy介绍
- jquery 中 (function( window, undefined ) {})(window)写法详解(转)
- 判断回文串,判断回文数,最长回文串,回文串的个数
- Dart入门—控制流程与其他
- objective-c - 基础篇 - 数据库网络 -- 使用JSON-生成json&解析json
- 2016.5.28初中部模拟赛总结
- mysql_5.6.24_winx64免安装配置
- 位运算技巧
- 设计模式——1.前言