snoopy（强大的PHP采集类） 实例应用

浙江雁荡山

　　Snoopy是一个php类，用来模拟浏览器的功能，可以获取网页内容，发送表单。
　　下载地址： http://sourceforge.net/project/showfiles.php?group_id=2091
　　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demo

01	include "Snoopy.class.php";

02	$snoopy = new Snoopy;

03

04	$snoopy->proxy_host = "http://www.4wei.cn";

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

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

23

{

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

25

}

26

else

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

　　以下是一些代码片段：
1获取指定url内容

01

<?

02	$url = "http://www.4wei.cn";

03	include("snoopy.php");

04	$snoopy = new Snoopy;

05	$snoopy->fetch($url); //获取所有内容

06	echo $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

?>

　　2 表单提交

01

<?php

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

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

04	$action = "http://www.4wei.cn";//</a>表单提交地址

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

06	echo $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
　　3 伪装

01

<?php

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

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

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

05	include "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);

13	echo $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。
　　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

01

<?php

02	$snoopy->proxy_host = "http://www.4wei.cn";

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

?>