PHP - 抓取采集类snoopy介绍 - 小米笔记

什么是snoopy？

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(史努比)，一个卖萌类~

怎么和它相遇的？

因为之前在虎绿林看到了@浪人写的乐讯内信机，当时感觉有点意思，但是后面再使用的时候发现有点问题，程序有时候会内信失败，所以我就准备修改一下。就这样，遇到了snoopy。

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://notemi.cn";
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://notemi.cn";
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

获取指定url内容：

<?
$url = "http://notemi.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
?>

表单提交

<?php
$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://notemi.cn/";//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
?>

既然已经提交了表单，就可以做很多事情了，接下来伪装ip，伪装浏览器。

<?php
$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://notemi.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://motemi.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://notemi.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://notemi.cn/images/taoav.gif">http://www.notemi.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
?>