PHP__采集类__Snoopy

Snoopy

                                                

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

$url = "http://www.pigshu.com";
include("snoopy.php");
$snoopy = new Snoopy;
$snoopy->fetch($url); //获取所有内容
echo $snoopy->results; //显示结果
$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

<span style="font-size:14px;">$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://www.pigshu.com";//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
$snoopy->submittext; //提交后只返回去除html的文本
$snoopy->submitlinks;//提交后只返回链接</span><span style="font-size:24px;">
</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

$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://www.pigshu.com";
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://s.jb51.net"; //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：
 

<?
//echo var_dump($_SERVER);
include("Snoopy.class.php");
$snoopy = new Snoopy;
$snoopy->agent = "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-
CN; rv:1.9.0.5) Gecko/2008120122 Firefox/3.0.5 FirePHP/0.2.1";//这项是浏览器信
息，前面你用什么浏览器查看cookie，就用那个浏览器的信息(ps:$_SERVER可以查看到浏览器的信息)
$snoopy->referer = "http://www.pigshu.com/index.php";
$snoopy->expandlinks = true;
$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";
$snoopy->fetch("http://www.pigshu.com");
$n=ereg_replace("href="","href="http://www.pigshu.com/",$snoopy->results );
echo ereg_replace("src="","src="http://www.pigshu.com/",$n);
?>

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： 

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

# 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：

include'snoopy/Snoopy.class.php';

$snoopy = new Snoopy();

$sourceURL = "http://xxxxxxxxx";
$snoopy->fetchlinks($sourceURL);

$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。

//匹配图片的正则表达式
 $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

<meta http-equiv='content-type' content='text/html;charset=utf-8'>

<?php
include'snoopy/Snoopy.class.php';

    $snoopy = new Snoopy();

    $sourceURL = "http://xxxxx";
    $snoopy->fetchlinks($sourceURL);

    $a = $snoopy->results;
    $re = "/\d+\.html$/";

//过滤获取指定的文件地址请求
foreach ($a as $tmp) {
if (preg_match($re, $tmp)) {
getImgURL($tmp);
        }
    }

functiongetImgURL($siteName) {
        $snoopy = new Snoopy();
        $snoopy->fetch($siteName);

        $fileContent = $snoopy->results;

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

if (preg_match($reTag, $fileContent)) {
            $ret = preg_match_all($reTag, $fileContent, $matchResult);

for ($i = 0, $len = count($matchResult[1]); $i< $len; ++$i) {
saveImgURL($matchResult[1][$i], $matchResult[2][$i]);
            }
        }
    }

functionsaveImgURL($name, $suffix) {
        $url = $name.".".$suffix;

echo"请求的图片地址：".$url."<br/>";

        $imgSavePath = "E:/xxx/style/images/";
        $imgId = preg_replace("/^.+\/(\d+)$/", "\\1", $name);
if ($suffix == "gif") {
            $imgSavePath .= "emotion";
        } else {
            $imgSavePath .= "topic";
        }
        $imgSavePath .= ("/".$imgId.".".$suffix);

if (is_file($imgSavePath)) {
            unlink($imgSavePath);
echo"<p style='color:#f00;'>文件".$imgSavePath."已存在，将被删除</p>";
        }

$imgFile = file_get_contents($url);
        $flag = file_put_contents($imgSavePath, $imgFile);

if ($flag) {
echo"<p>文件".$imgSavePath."保存成功</p>";
        }

    }
?>

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：

<?php

$mode = "r+";
$filename = "d:/file.txt";
$fp = fopen($filename, $mode);

if ($fp) {
 $i = 1;

while (!feof($fp)) {
  $str = fgets($fp);
echo $str;
if ($i == 1) {
   $len = strlen($str);
fseek($fp, -$len, SEEK_CUR);//指针向前移动
fwrite($fp, "123");
  }

  $i++;
 }

fclose($fp);
}

?>

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