首页 > Other > PHP采集利器:Snoopy一个强大的网站内容采集器(爬虫)

PHP采集利器:Snoopy一个强大的网站内容采集器(爬虫)

很早就见识到论坛里很多大牛们自己写采集程序,很羡慕,自己水平有限,心有余而力不足,今天在网上找到了Snoopy,试用了一下,感觉很爽,推荐给大家(高手就免看了):

Snoopy是什么?

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)

要想了解的更深入些,你自己Google一下吧。下面就给几个简单的例子:

1获取指定url内容

PHP代码

  1. $url = “http://www.taoav.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. //可选以下
  7. $snoopy->fetchtext //获取文本内容(去掉html代码)
  8. $snoopy->fetchlinks //获取链接
  9. $snoopy->fetchform //获取表单

2 表单提交

PHP代码

  1. $formvars[“username”] = “admin”;
  2. $formvars[“pwd”] = “admin”;
  3. $action = “http://www.taoav.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. //可选以下
  7. $snoopy->submittext; //提交后只返回 去除html的 文本
  8. $snoopy->submitlinks;//提交后只返回 链接

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

PHP代码

  1. $formvars[“username”] = “admin”;
  2. $formvars[“pwd”] = “admin”;
  3. $action = “http://www.taoav.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://www.only4.cn“; //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 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代码

  1. $snoopy->proxy_host = “www.only4.cn”;
  2. $snoopy->proxy_port = “8080”; //使用代理
  3. $snoopy->maxredirs = 2; //重定向次数
  4. $snoopy->expandlinks = true; //是否补全链接 在采集的时候经常用到
  5. // 例如链接为 /images/taoav.gif 可改为它的全链接 http://www.taoav.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
  6. $snoopy->maxframes = 5 //允许的最大框架数
  7. //注意抓取框架的时候 $snoopy->results 返回的是一个数组
  8. $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:

PHP代码

  1. <?
  2. //echo var_dump($_SERVER);
  3. include(“Snoopy.class.php”);
  4. $snoopy = new Snoopy;
  5. $snoopy->agent = “Mozilla/5.0 (Windows; U; Windows NT 5.1; zh- CN; rv:1.9.0.5) Gecko/2008120122 Firefox/3.0.5 FirePHP/0.2.1”;//这项是浏览器信息,前面你用什么浏览器查看cookie,就用那个浏览器的信息(ps:$_SERVER可以查看到浏览器的信息)
  6. $snoopy->referer = “http://bbs.phpchina.com/index.php“;
  7. $snoopy->expandlinks = true;
  8. $snoopy->rawheaders[“COOKIE”]=”__utmz=17229162.1227682761.29.7.utmccn=(referral)|utmcsr=phpchina.com|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″;
  9. $snoopy->fetch(“http://bbs.phpchina.com/forum-17-1.html“);
  10. $n=ereg_replace(“href=\””,”href=\”http://bbs.phpchina.com/“,$snoopy->results );
  11. echo ereg_replace(“src=\””,”src=\”http://bbs.phpchina.com/“,$n);
  12. ?>

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:

# $n=ereg_replace(“href=\””,”href=\”http://bbs.phpchina.com/“,$snoopy->results );

# echo ereg_replace(“src=\””,”src=\”http://bbs.phpchina.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。

最新版下载地址:http://sourceforge.net/projects/snoopy/

分类:Other
  1. 还没有评论。
  1. No trackbacks yet.

发表评论

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / 更改 )

Twitter picture

You are commenting using your Twitter account. Log Out / 更改 )

Facebook photo

You are commenting using your Facebook account. Log Out / 更改 )

Google+ photo

You are commenting using your Google+ account. Log Out / 更改 )

Connecting to %s

%d 博主赞过: