PHP__采集类__Snoopy

2018-08-02 02:12:08   PHP

  php  

目录

了解Snoopy.1

功能:…1

下载Snoopy:…2

Snoopy常用功能…2

1获取指定url内容…2

2表单提交…2

3伪装…2

4伪造更多信息…3

经典博客…5

了解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。

Snoopy的一些特点:

  • 方便抓取网页的内容

  • 方便抓取网页的文本内容 (去除HTML标签)

  • 方便抓取网页的链接

  • 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)

  • 支持浏览器转向,并能控制转向深度

  • 能把网页中的链接扩展成高质量的url(默认)

  • 方便提交数据并且获取返回值

  • 支持跟踪HTML框架(v0.92增加)

  • 支持再转向的时候传递cookies(v0.92增加)

下载Snoopy:

http://sourceforge.net/projects/snoopy/

常用功能

1.获取指定url内容

  1. $url = "http://www.pigshu.com";
  2. include("snoopy.php");
  3. $snoopy = new Snoopy;
  4. $snoopy->fetch($url); //获取所有内容
  5. echo $snoopy->results; //显示结果
  6. $snoopy->fetchtext //获取文本内容(去掉html代码)
  7. $snoopy->fetchlinks //获取链接
  8. $snoopy->fetchform //获取表单

2.表单提交

  1. <span style="font-size:14px;">$formvars["username"] = "admin";
  2. $formvars["pwd"] = "admin";
  3. $action = "http://www.pigshu.com";//表单提交地址
  4. $snoopy->submit($action,$formvars);//$formvars为提交的数组
  5. echo $snoopy->results; //获取表单提交后的返回的结果
  6. $snoopy->submittext; //提交后只返回去除html的文本
  7. $snoopy->submitlinks;//提交后只返回链接</span><span style="font-size:24px;">
  8. </span>

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

  1. $formvars["username"] = "admin";
  2. $formvars["pwd"] = "admin";
  3. $action = "http://www.pigshu.com";
  4. include "snoopy.php";
  5. $snoopy = new Snoopy;
  6. $snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7'; //伪装sessionid
  7. $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; //伪装浏览器
  8. $snoopy->referer = "http://s.jb51.net"; //伪装来源页地址http_referer
  9. $snoopy->rawheaders["Pragma"] = "no-cache"; //cache 的http头信息
  10. $snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.101"; //伪装ip
  11. $snoopy->submit($action,$formvars);
  12. 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伪造更多信息

有时我们可能需要伪造更多的东西,snoopy完全为我们想到了
$snoopy->proxy_host = “www.pigshu.com”;
$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 http://www.pigshu.com/images/taoav.gif,这个地方其实可以在最后输出的时候用ereg_replace函数自己替换
$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

  • 上面的基本用法了解了,下面我就实例演示一次:
  1. <?
  2. //echo var_dump($_SERVER);
  3. include("Snoopy.class.php");
  4. $snoopy = new Snoopy;
  5. $snoopy->agent = "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-
  6. CN; rv:1.9.0.5) Gecko/2008120122 Firefox/3.0.5 FirePHP/0.2.1";//这项是浏览器信
  7. 息,前面你用什么浏览器查看cookie,就用那个浏览器的信息(ps:$_SERVER可以查看到浏览器的信息)
  8. $snoopy->referer = "http://www.pigshu.com/index.php";
  9. $snoopy->expandlinks = true;
  10. $snoopy->rawheaders["COOKIE"]="__utmz=17229162.1227682761.29.7.utmccn=(referral)|utmcsr=jb51.net|utmcct=/html/index.html|utmcmd=referral; cdbphpchina_smile=1D2D0D1; cdbphpchina_cookietime=2592000; __utma=233700831.1562900865.1227113506.1229613449.1231233266.16; __utmz=233700831.1231233266.16.8.utmccn=(referral)|utmcsr=localhost:8080|utmcct=/test3.php|utmcmd=referral; __utma=17229162.1877703507.1227113568.1231228465.1231233160.58; uchome_loginuser=sinopf; xscdb_cookietime=2592000; __utmc=17229162; __utmb=17229162; cdbphpchina_sid=EX5w1V; __utmc=233700831; cdbphpchina_visitedfid=17; cdbphpchinaO766uPYGK6OWZaYlvHSuzJIP22VpwEMGnPQAuWCFL9Fd6CHp2e%2FKw0x4bKz0N9lGk; xscdb_auth=8106rAyhKpQL49eMs%2FyhLBf3C6ClZ%2B2idSk4bExJwbQr%2BHSZrVKgqPOttHVr%2B6KLPg3DtWpTMUI4ttqNNVpukUj6ElM; cdbphpchina_onlineusernum=3721";
  11. $snoopy->fetch("http://www.pigshu.com");
  12. $n=ereg_replace("href="","href="http://www.pigshu.com/",$snoopy->results );
  13. echo ereg_replace("src="","src="http://www.pigshu.com/",$n);
  14. ?>

这是模拟登陆PHPCHINA论坛的过程,首先要查看自己浏览器的信
息:echo var_dump($_SERVER);这句代码可以看到自己浏览器的信息,把
$_SERVER[‘HTTP_USER_AGENT’]后边的内容复制下来,粘在$snoopy->agent的地方,然后就是要查看自己的
COOKIE了,用自己在论坛的账号登陆论坛后,在浏览器地址栏里输入
javascript:document.write(document.cookie),回车,就可以看到自己的cookie信息,复制粘贴
到$snoopy->rawheaders[“COOKIE”]=的后边。(我的cookie信息为了安全起见已经删除了一段内容)
然后再注意:

  1. # $n=ereg_replace("href="","href="http://www.pigshu.com/",$snoopy->results );
  2. # echo ereg_replace("src="","src="http://www.pigshu.com/",$n);

这两句代码,因为采集到的内容所有的HTML源码地址都是相对链接,所以要替换成绝对链接,这样就可以引用论坛的图片和css样式了。

经典博客

下面摘自Meteoric_cry博客:

http://www.cnblogs.com/meteoric_cry/archive/2011/05/10/2042512.html

使用方法:

1、先下载Snoopy类,下载地址:http://sourceforge.net/projects/snoopy/

2、先实例化一个对象,然后调用相应的方法即可获取抓取的网页信息

示例:

  1. include'snoopy/Snoopy.class.php';
  2. $snoopy = new Snoopy();
  3. $sourceURL = "http://xxxxxxxxx";
  4. $snoopy->fetchlinks($sourceURL);
  5. $a = $snoopy->results;

它并没有提供获取网页中所有图片地址的方法,自己有个需求是要获取一个页面中所有文章列表中图片地址。然后自己就写了一个,主要还是正则那里匹配重要。

  1. //匹配图片的正则表达式
  2. $reTag = "/<img[^s]+src=\"(http:\/\/[^\"]+).(jpg|png|gif|jpeg)\"[^\/]*\/>/i";

因为需求比较特殊,只需要抓取写死htp://开头的图片(外站的图片可能使得了防盗链,想先抓取到本地)

实现思路:

1、抓取指定网页,并筛选出预期的所有文章地址;

2、循环抓取第一步中的文章地址,然后使用匹配图片的正则表达式进行匹配,获取页面中所有符合规则的图片地址;

3、根据图片后缀和ID(这里只有gif、jpg)保存图片—-如果此图片文件存在,先将其删除再保存

  1. <meta http-equiv='content-type' content='text/html;charset=utf-8'>
  2. <?php
  3. include'snoopy/Snoopy.class.php';
  4. $snoopy = new Snoopy();
  5. $sourceURL = "http://xxxxx";
  6. $snoopy->fetchlinks($sourceURL);
  7. $a = $snoopy->results;
  8. $re = "/\d+\.html$/";
  9. //过滤获取指定的文件地址请求
  10. foreach ($a as $tmp) {
  11. if (preg_match($re, $tmp)) {
  12. getImgURL($tmp);
  13. }
  14. }
  15. functiongetImgURL($siteName) {
  16. $snoopy = new Snoopy();
  17. $snoopy->fetch($siteName);
  18. $fileContent = $snoopy->results;
  19. //匹配图片的正则表达式
  20. $reTag = "/<img[^s]+src=\"(http:\/\/[^\"]+).(jpg|png|gif|jpeg)\"[^\/]*\/>/i";
  21. if (preg_match($reTag, $fileContent)) {
  22. $ret = preg_match_all($reTag, $fileContent, $matchResult);
  23. for ($i = 0, $len = count($matchResult[1]); $i< $len; ++$i) {
  24. saveImgURL($matchResult[1][$i], $matchResult[2][$i]);
  25. }
  26. }
  27. }
  28. functionsaveImgURL($name, $suffix) {
  29. $url = $name.".".$suffix;
  30. echo"请求的图片地址:".$url."<br/>";
  31. $imgSavePath = "E:/xxx/style/images/";
  32. $imgId = preg_replace("/^.+\/(\d+)$/", "\\1", $name);
  33. if ($suffix == "gif") {
  34. $imgSavePath .= "emotion";
  35. } else {
  36. $imgSavePath .= "topic";
  37. }
  38. $imgSavePath .= ("/".$imgId.".".$suffix);
  39. if (is_file($imgSavePath)) {
  40. unlink($imgSavePath);
  41. echo"<p style='color:#f00;'>文件".$imgSavePath."已存在,将被删除</p>";
  42. }
  43. $imgFile = file_get_contents($url);
  44. $flag = file_put_contents($imgSavePath, $imgFile);
  45. if ($flag) {
  46. echo"<p>文件".$imgSavePath."保存成功</p>";
  47. }
  48. }
  49. ?>

在使用php抓取网页:内容、图片、链接的时候,我觉得最重要的还是正则(根据抓取的内容和指定的规则获取想要的数据),思路其实都比较简单,用到的方法也并不多,也就那几个(而且抓取内容还是直接调用别人写好的类中的方法就可以了)

但之前想过的是php似乎并没有实现如下的方法,比如一个文件中有N行(N很大),需要将其中符合规则的行内容进行替换,如第3行是aaa需要转成bbbbb。一般的需要修改文件时的常见做法:

1、一次读取整个文件(或是逐行读取),然后使用临时文件进行保存最终转换后的结果,再替换原始文件

2、逐行读取,使用fseek控制文件指针的位置,然后fwrite写入

方案1在文件较大时,一次读取不可取(逐行读取,然后写入临时文件再替换原始文件效率感觉也不高),方案2则在被替换的字符串长度小于等于目标值时没问题,但超过了则会有问题,它会“越界”,将下一行的数据也打乱了(不能像JavaScript中有“选区”的概念,使用新的内容进行替换)

下面是使用方案2做试验的代码:

  1. <?php
  2. $mode = "r+";
  3. $filename = "d:/file.txt";
  4. $fp = fopen($filename, $mode);
  5. if ($fp) {
  6. $i = 1;
  7. while (!feof($fp)) {
  8. $str = fgets($fp);
  9. echo $str;
  10. if ($i == 1) {
  11. $len = strlen($str);
  12. fseek($fp, -$len, SEEK_CUR);//指针向前移动
  13. fwrite($fp, "123");
  14. }
  15. $i++;
  16. }
  17. fclose($fp);
  18. }
  19. ?>

先读取一行,此时文件指针其实是指到下一行开头,使用fseek将文件指针回移到上一行起始位置,然后使用fwrite进行替换操作,正因为是替换操作,在不指定长度的情况下,它把影响到下一行的数据,而我想要的是只想针对这一行进行操作,例如删除这一行或是整行只替换为一个1,上面的例子达不到要求,或许是我还没有找到合适的方法