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。

view source

print?

1<?php

2$url = "http://www.nowamagic.net/librarys/veda/";

3include("./Snoopy.class.php");

4  

5$snoopy = new Snoopy;

6$snoopy->fetch($url);       //获取所有内容

7echo $snoopy->results;       //显示结果

8?>

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。

view source

print?

1<?php

2$url = "http://www.nowamagic.net/librarys/veda/";

3include("./Snoopy.class.php");

4  

5$snoopy = new Snoopy;

6$snoopy->fetchtext($url);       //获取文本内容

7echo $snoopy->results;       //显示结果

8?>

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)。

view source

print?

1 

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。

view source

print?

1 

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。

view source

print?

1 

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。

view source

print?

1 

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。

view source

print?

1 

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

view source

print?

01include "Snoopy.class.php";

02$snoopy = new Snoopy;

03  

04$snoopy->proxy_host ="http://www.nowamagic.net/librarys/veda/";

05$snoopy->proxy_port ="80";

06  

07$snoopy->agent ="(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";

08$snoopy->referer ="http://www.4wei.cn";

09  

10$snoopy->cookies["SessionID"] = 238472834723489l;

11$snoopy->cookies["favoriteColor"] ="RED";

12  

13$snoopy->rawheaders["Pragma"] ="no-cache";

14  

15$snoopy->maxredirs = 2;

16$snoopy->offsiteok = false;

17$snoopy->expandlinks = false;

18  

19$snoopy->user ="joe";

20$snoopy->pass ="bloe";

21  

22if($snoopy->fetchtext("http://www.4wei.cn"))

23{

24echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>n";

25}

26else

27echo "error fetching document: ".$snoopy->error."n";

获取指定url内容：

view source

print?

01<?

02$url = "http://www.nowamagic.net/librarys/veda/";

03include("snoopy.php");

04$snoopy = new Snoopy;

05$snoopy->fetch($url);//获取所有内容

06echo $snoopy->results; //显示结果

07//可选以下

08//$snoopy->fetchtext //获取文本内容（去掉html代码）

09//$snoopy->fetchlinks //获取链接

10//$snoopy->fetchform  //获取表单

11?>

表单提交：

view source

print?

01<?php

02$formvars["username"] ="admin";

03$formvars["pwd"] ="admin";

04$action = "http://www.nowamagic.net/librarys/veda/";//</A>表单提交地址

05$snoopy->submit($action,$formvars);//$formvars为提交的数组

06echo $snoopy->results; //获取表单提交后的 返回的结果

07//可选以下

08$snoopy->submittext;//提交后只返回 去除html的 文本

09$snoopy->submitlinks;//提交后只返回 链接

10?>

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：

view source

print?

01<?php

02$formvars["username"] ="admin";

03$formvars["pwd"] ="admin";

04$action = "http://www.4wei.cn";

05include "snoopy.php";

06$snoopy = new Snoopy;

07$snoopy->cookies["PHPSESSID"] ='fc106b1918bd522cc863f36890e6fff7';//伪装sessionid

08$snoopy->agent ="(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";//伪装浏览器

09$snoopy->referer = http://www.4wei.cn; //伪装来源页地址 http_referer

10$snoopy->rawheaders["Pragma"] ="no-cache"; //cache 的http头信息

11$snoopy->rawheaders["X_FORWARDED_FOR"] ="127.0.0.101"; //伪装ip

12$snoopy->submit($action,$formvars);

13echo $snoopy->results;

14?>

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：

view source

print?

01<?php

02$snoopy->proxy_host ="http://www.nowamagic.net/librarys/veda/";

03$snoopy->proxy_port ="8080"; //使用代理

04$snoopy->maxredirs = 2;//重定向次数

05$snoopy->expandlinks = true;//是否补全链接 在采集的时候经常用到

06// 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>

07$snoopy->maxframes = 5//允许的最大框架数

08//注意抓取框架的时候 $snoopy->results 返回的是一个数组

09$snoopy->error//返回报错信息

10?>

比较完整的示例：

view source

print?

01/**

02* You need the snoopy.class.php from 

03* http://snoopy.sourceforge.net/

04*/

05include("snoopy.class.php");

06   

07$snoopy = new Snoopy;

08// need an proxy?:

09//$snoopy->proxy_host = "my.proxy.host";

10//$snoopy->proxy_port = "8080";

11   

12// set browser and referer:

13$snoopy->agent ="Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)";

14$snoopy->referer ="http://www.jonasjohn.de/";

15   

16// set some cookies:

17$snoopy->cookies["SessionID"] ='238472834723489';

18$snoopy->cookies["favoriteColor"] ="blue";

19   

20// set an raw-header:

21$snoopy->rawheaders["Pragma"] ="no-cache";

22   

23// set some internal variables:

24$snoopy->maxredirs = 2;

25$snoopy->offsiteok = false;

26$snoopy->expandlinks = false;

27   

28// set username and password (optional)

29//$snoopy->user = "joe";

30//$snoopy->pass = "bloe";

31   

32// fetch the text of the website www.google.com:

33if($snoopy->fetchtext("http://www.google.com")){ 

34    // other methods: fetch, fetchform, fetchlinks, submittext and submitlinks

35   

36    // response code:

37    print"response code: ".$snoopy->response_code."<br/>n";

38   

39    // print the headers:

40   

41    print"<b>Headers:</b><br/>";

42    while(list($key,$val) = each($snoopy->headers)){

43        print$key.": ".$val."<br/>n";

44    }

45   

46    print"<br/>n";

47   

48    // print the texts of the website:

49    print htmlspecialchars($snoopy->results)."n";

50}

51else {

52    print"Snoopy: error while fetching document: ".$snoopy->error."n";

53}

用Snoopy类完成一个简单的图片采集：

01<meta http-equiv='content-type'content='text/html;charset=utf-8'>

02<?php    

03include 'Snoopy.class.php';   //加载Snoopy类     

04$snoopy = new Snoopy();      //实例化一个对象

05$sourceURL = "http://www.nowamagic.net/librarys/veda/";    //要抓取的网页

06$snoopy->fetchlinks($sourceURL);       //获得网页的链接

07$a = $snoopy->results;    //得到网页链接的结果

08$re = "/d+.html$/";    //匹配的正则

09//过滤获取指定的文件地址请求  

10foreach ($a as $tmp) { 

11    if(preg_match($re,$tmp)) {

12        $aa=$tmp;        

13    }    

14}  

15getImgURL($aa);

16function getImgURL($siteName) 

17{        

18    $snoopy= new Snoopy();        

19    $snoopy->fetch($siteName);                

20    $fileContent= $snoopy->results;   //获取过滤后的页面的内容            

21    //匹配图片的正则表达式        

22    $reTag= "/<img[^s]+src="(http://[^"]+).(jpg|png|gif|jpeg)"[^/]*/>/i";                

23    if(preg_match($reTag,$fileContent)) {  

24        //过滤图片

25        $ret= preg_match_all($reTag,$fileContent, $matchResult);                     

26        for($i = 0, $len = count($matchResult[1]);$i < $len; ++$i) 

27        {      

28            saveImgURL($matchResult[1][$i],$matchResult[2][$i]);            

29        }        

30    }    

31}        

32function saveImgURL($name,$suffix) { 

33    $url= $name.".".$suffix;                

34    echo"请求的图片地址：".$url."<br/>";                

35    $imgSavePath= "E:/123/images/"; //图片保存地址      

36    $imgId=mt_rand(); //产生一个随机的文件名

37    if($suffix == "gif") { 

38        //根据图片类型，放入不同的文件夹下面           

39        $imgSavePath.= "emotion";        

40    } 

41    else 

42    {            

43        $imgSavePath.= "topic";        

44    }        

45    $imgSavePath.= ("/".$imgId.".".$suffix); //组装要保存的文件名

46    if(is_file($imgSavePath)) {   

47        //判断文件名是否存在，存在则删除         

48        unlink($imgSavePath);            

49        echo"<p style='color:#f00;'>文件".$imgSavePath."已存在，将被删除</p>";        

50    }  

51    $imgFile= file_get_contents($url);//读取网络文件     

52    $flag= file_put_contents($imgSavePath,$imgFile);  //写入到本地 

53    if($flag) {            

54        echo"<p>文件".$imgSavePath."保存成功</p>";        

55    }    

56}

57?>