BK网络学院

首页搜索登录
首页业界网页平面多媒体程序数据库办公工具服务器系统网络安全站长认证壁纸
加入收藏 | 网站地图 | | RSS | WAP
你好,游客 登录 注册 搜索

推荐一个很好的PHP采集类:snoopy

[日期:2010-12-10] 作者: 来源: [字体: ]

最近学习PHP采集程序编写的时候,发现一个很好的采集类库,它的名字叫Snoopy。sorceforge上有下载地址: http://sourceforge.net/project/showfiles.php?group_id=2091,它可以模拟浏览器来获取网页内容,甚至以get或者post方式发送表单数据都可以。

Snoopy的一些特点:

1抓取网页的内容 fetch
2 抓取网页的文本内容 (去除HTML标签) fetchtext
3抓取网页的链接,表单 fetchlinks fetchform
4 支持代理主机
5支持基本的用户名/密码验证
6 支持设置 user_agent, referer(来路), cookies 和 header content(头文件)
7支持浏览器重定向,并能控制重定向深度
8能把网页中的链接扩展成高质量的url(默认)
9提交数据并且获取返回值
10 支持跟踪HTML框架
11支持重定向的时候传递cookies
要求php4以上就可以了 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:

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。

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。

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)。

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。

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。

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。

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

以下是用法示例:

 include "Snoopy.class.php";

  $snoopy = new Snoopy;
 

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

  $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";

  }

  else

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

以下是一些代码片段:
1获取指定url内容

 <?

  $url = "http://www.4wei.cn";

  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

  ?>

2 表单提交

 <?php

 $formvars["username"] = "admin";

 $formvars["pwd"] = "admin";

 $action = "http://www.4wei.cn";//</a>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

3 伪装

 <?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。

4 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.4wei.cn";

 $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.gifhttp://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

 ?>

关键词:采集  snoopy 

收藏 推荐 打印 | 录入:blue1000 | 阅读:
本文评论   查看全部评论 (2)
表情: 姓名: 字数
点评:
       
评论声明
  • 尊重网上道德,遵守中华人民共和国的各项有关法律法规
  • 承担一切因您的行为而直接或间接导致的民事/刑事法律责任
  • 本站管理人员有权保留或删除其管辖留言中的任意内容
  • 本站有权在网站内转载或引用您的评论
  • 参与本评论即表明您已经阅读并接受上述条款
第 2 楼
* 匿名 发表于 2016/12/25 14:33:44
http://www.blue1000.com/bkhtml/c19/2010-11/69861.htm 工作调动申请书格式 http://www.blue1000.com/show/2817.html 休学申请书格式范文 http://www.blue1000.com/show/2798.html
第 1 楼
* 匿名 发表于 2016/12/24 14:24:16
http://www.blue1000.com/bkhtml/c19/2010-11/69861.htm 个性符号网名 http://www.blue1000.com/wangming/content140.html 个性霸气网名 http://www.blue1000.com/wangming/content139.html