PHP抓取采集类snoopy介绍

一个PHP的抓取方案

在 2011年07月04日 那天写的     已经有 10270 次阅读了
 
服务器君一共花费了14.288 ms进行了2次数据库查询,努力地为您提供了这个页面。
试试阅读模式?希望听取您的建议

 

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。

1 <?php
3 include("./Snoopy.class.php");
4  
5 $snoopy new Snoopy;
6 $snoopy->fetch($url);        //获取所有内容
7 echo $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。

1 <?php
3 include("./Snoopy.class.php");
4  
5 $snoopy new Snoopy;
6 $snoopy->fetchtext($url);        //获取文本内容
7 echo $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)。

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。

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。

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。

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。

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

01 include "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 $snoopy->pass = "bloe";
21  
22 if($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";

获取指定url内容:

01 <?
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 ?>

表单提交:

01 <?php
02 $formvars["username"] = "admin";
03 $formvars["pwd"] = "admin";
04 $action "http://www.nowamagic.net/librarys/veda/";//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:

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。

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.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:

01 /**
02 * You need the snoopy.class.php from
04 */
05 include("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 //$snoopy->pass = "bloe";
31   
32 // fetch the text of the website www.google.com:
33 if($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($snoopy->results)."n";
50 }
51 else {
52     print "Snoopy: error while fetching document: ".$snoopy->error."n";
53 }

用Snoopy类完成一个简单的图片采集:

PHP抓取采集类snoopy介绍的更多相关文章

  1. HttpClient抓取网页内容简单介绍

    版本HttpClient3.1 1.GET方式 第一步.创建一个客户端,类似于你用浏览器打开一个网页 HttpClient httpClient = new HttpClient(); 第二步.创建一 ...

  2. IDM下载器:站点抓取相关设置介绍

    Internet Download Manager(简称IDM)是一款十分好用资源下载器,它的站点抓取功能不仅可以下载被过滤器指定所需文件,例如一个站点的所有图片,或者一个站点的所有音频,也可以下载站 ...

  3. Python开发爬虫之动态网页抓取篇:爬取博客评论数据——通过Selenium模拟浏览器抓取

    区别于上篇动态网页抓取,这里介绍另一种方法,即使用浏览器渲染引擎.直接用浏览器在显示网页时解析 HTML.应用 CSS 样式并执行 JavaScript 的语句. 这个方法在爬虫过程中会打开一个浏览器 ...

  4. Charles抓取微信小程序数据 以及 其它应用网站数据

    为了抓取小程序数据所以使用Charles来抓取,下面介绍下使用方法(mac环境下使用).使用Charles可以非常方便的抓取Http/Https请求.官方dmg下载地址:点击此处下载 Charles抓 ...

  5. 转 PHP的CURL方法curl_setopt()函数案例介绍(抓取网页,POST数据)

    PHP的CURL方法curl_setopt()函数案例介绍(抓取网页,POST数据)   通过curl_setopt()函数可以方便快捷的抓取网页(采集很方便),curl_setopt 是php的一个 ...

  6. 转:介绍一个好用的抓取dump的工具-ProcDump

    介绍一个好用的抓取dump的工具-ProcDump Procdump是一个轻量级的Sysinternal团队开发的命令行工具, 它的主要目的是监控应用程序的CPU异常动向, 并在此异常时生成crash ...

  7. 抓取Dump文件的方法和工具介绍

    一.Windows系统的任务管理器里抓dump 启动任务管理器,选中某个进程,右键,弹出菜单"创建转储文件" 注意事项: 当你在64位Windows系统上抓32位进程的dmup文件 ...

  8. UiPath屏幕抓取Screen Scraping的介绍和使用

    一.屏幕抓取(Screen Scraping)的介绍 屏幕抓取使您能够在特定的UI元素或文档(如.PDF文档)中提取数据 二.屏幕抓取(Screen Scraping)在UiPath中的使用 [if ...

  9. UiPath数据抓取Data Scraping的介绍和使用

    一.数据抓取(Data Scraping)的介绍 使用截据抓取使您可以将浏览器,应用程序或文档中的结构化数据提取到数据库,.csv文件甚至Excel电子表格中. 二.Data Scraping在UiP ...

随机推荐

  1. 【转】什麼是 Team Explorer Everywhere 2010 ?TFS 專用的 Eclipse 整合套件的安裝與設定

    前言- 大家都知道 版本管控是一件很重要的事情!而且也知道分別有 VSS , SVN , TFS 等- 多數人都會覺得, .NET 的開發工具要用 VSS . TFS .SVN 而 Java 的 Ec ...

  2. 在MVC3或asp.net中修改KindEditor实现上传图片时添加水印

    主要修改两个文件:image.js和upload_json.ashx文件. 一.修改image.js文件 打开kindeditor/plugins/image目录下的image.js文件,找到 '&l ...

  3. JS 中的foreach和For in比较

    使用方式举例如下: <script type="text/javascript"> var jsonranklist=[{"name":" ...

  4. 【codevs2822】爱在心中 tarjan 缩点+理解

    [codevs2822]爱在心中 2014年1月26日5580 题目描述 Description “每个人都拥有一个梦,即使彼此不相同,能够与你分享,无论失败成功都会感动.爱因为在心中,平凡而不平庸, ...

  5. PHP文件处理类

    /** * 文件读写类 * 读取时,支持跳过N个/行字符然后再读取M个/行字符 * 支持每次读取时使用回调函数 * * 示例: * $file = new File('a.txt', 'r'); * ...

  6. CC2540开发板学习笔记(六)——AD控制(自带温度计)

    一.实验目的 将采集的内部温度传感器信息通过串口发送到上位机 二.实验过程 1.寄存器配置 ADCCON1(0XB4)ADC控制寄存器1 BIT7:EOC   ADC结束标志位0:AD转换进行中    ...

  7. 【转载】C语言中的undefined behavior/unspecified behavior - 序

    嗷嗷的话: 这都是一些细枝末节的东西,我想不做编译器的话,大部分都很难碰到.研究学习这些只是出于对C语言一种偏执狂. 写出来是为了找到和我一样的偏执狂. 在随后的的文章中,首先我写一写191种unde ...

  8. WPF/Silverlight Template使用及总结(转)

    WPF/Silverlight 中的控件都有Style和Template两种属性.前者解释为样式,是用来改变控件原有属性的,比如 Button 控件的(Width,Height,Background ...

  9. QUnit使用笔记-5简化编写

    在测试中,如果用到了大量相同的方法返回判断结果,可以将他们简化; 使用push(): push( result/*boolean,result of assert*/, actual, /*objec ...

  10. ZOJ 3157 Weapon

    题目传送门 题意:就是CF round# 329 B 的升级版,要求出相交点的个数 分析:逆序数用树状数组维护,求出非逆序数,然后所有情况(n * (n - 1)) / 2减之就是逆序数个数. #in ...