AI 助理
备案控制台
开发者社区 开发与运维 文章 正文

PHP抓取采集类snoopy介绍

2015-09-29 1129
版权
版权声明：
本文内容由阿里云实名注册用户自发贡献，版权归原作者所有，阿里云开发者社区不拥有其著作权，亦不承担相应法律责任。具体规则请查看《 阿里云开发者社区用户服务协议》和 《阿里云开发者社区知识产权保护指引》。如果您发现本社区中有涉嫌抄袭的内容，填写 侵权投诉表单进行举报，一经查实，本社区将立刻删除涉嫌侵权内容。
简介： 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 感谢 参考或原文   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。

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
感谢  参考或原文
 
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
2 $url = "http://www.nowamagic.net/librarys/veda/";
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
2 $url = "http://www.nowamagic.net/librarys/veda/";
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 <?
02 $url = "http://www.nowamagic.net/librarys/veda/";
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
03 * http://snoopy.sourceforge.net/
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：

 

文章标签：
PHP
Windows
数据安全/隐私保护
数据库
存储
关键词：
PHP类
PHP采集
PHP抓取
PHP Snoopy
PHP采集snoopy
thinkyoung
目录
相关文章
缪斯云
|
6月前
|
Java 程序员 PHP
PHP对象和类
PHP对象和类
缪斯云
58 0
ShaFaChuang-36210
|
1月前
|
设计模式 SQL 安全
PHP中的设计模式：单例模式的深入探索与实践在PHP开发领域，设计模式是解决常见问题的高效方案集合。它们不是具体的代码，而是一种编码和设计经验的总结。单例模式作为设计模式中的一种，确保了一个类仅有一个实例，并提供一个全局访问点。本文将深入探讨单例模式的基本概念、实现方式及其在PHP中的应用。
单例模式在PHP中的应用广泛，尤其在处理数据库连接、日志记录等场景时，能显著提高资源利用率和执行效率。本文从单例模式的定义出发，详细解释了其在PHP中的不同实现方法，并探讨了使用单例模式的优势与注意事项。通过对示例代码的分析，读者将能够理解如何在PHP项目中有效应用单例模式。
ShaFaChuang-36210
39 2
丰宝宝
|
2月前
|
设计模式 SQL 安全
PHP中的设计模式：单例模式的深入探索与实践在PHP的编程实践中，设计模式是解决常见软件设计问题的最佳实践。单例模式作为设计模式中的一种，确保一个类只有一个实例，并提供全局访问点，广泛应用于配置管理、日志记录和测试框架等场景。本文将深入探讨单例模式的原理、实现方式及其在PHP中的应用，帮助开发者更好地理解和运用这一设计模式。
在PHP开发中，单例模式通过确保类仅有一个实例并提供一个全局访问点，有效管理和访问共享资源。本文详细介绍了单例模式的概念、PHP实现方式及应用场景，并通过具体代码示例展示如何在PHP中实现单例模式以及如何在实际项目中正确使用它来优化代码结构和性能。
丰宝宝
45 2
zhanbao
|
2月前
|
PHP
PHP中的面向对象编程：理解类与对象
本文将深入探讨PHP中面向对象编程的核心概念——类与对象。通过实例讲解，帮助读者更好地理解如何在PHP中运用OOP编写更高效、可维护的代码。
zhanbao
45 9
疯狂的猿
|
2月前
|
PHP
PHP全自动采集在线高清壁纸网站源码
PHP全自动采集在线高清壁纸网站源码，PHP全自动采集在线高清壁纸网站源码，一款开源壁纸源码，无需安装。集合360壁纸，百度壁纸，必应壁纸，简单方便。每天自动采集，自动更新，非常不错，php源码 网站源码 免费源码 自动采集。
疯狂的猿
55 3
游客762btuqu5wybw666
|
3月前
|
PHP 开发者
PHP中的面向对象编程：掌握类与对象的精髓
探索PHP的面向对象编程世界，本文将带你了解如何通过创建和操作类来实例化对象。我们将深入讲解类的声明、构造函数的使用以及继承和多态性的概念。准备好，让我们一起在代码的海洋中航行，揭开PHP对象编程的神秘面纱！
游客762btuqu5wybw666
23 1
vohelon
|
4月前
|
PHP
如何在PHP中创建一个自定义的观察者类？
【7月更文挑战第2天】如何在PHP中创建一个自定义的观察者类？
vohelon
30 0
vohelon
|
4月前
|
PHP
PHP中，你可以使用class关键字来定义一个类
【7月更文挑战第2天】PHP中，你可以使用class关键字来定义一个类
vohelon
28 0
Onebound19970109110
|
6月前
|
监控 PHP Python
1688快速获取整店铺列表 采集接口php Python
在电子商务的浪潮中，1688平台作为中国领先的批发交易平台，为广大商家提供了一个展示和销售商品的广阔舞台；然而，要在众多店铺中脱颖而出，快速获取商品列表并进行有效营销是关键。
Onebound19970109110
55 0
源码宝
|
6月前
|
存储 监控 安全
PHP医院安全（不良）事件报告系统源码 vue2+element支持11大类不良事件上报、审核处理、分析改进
医院安全（不良）事件管理系统采用无责的、自愿的填报不良事件方式，有效地减轻医护人员的思想压力，实现以事件为主要对象，可以自动、及时、实际地反应医院的安全、不良、近失事件的情况，更好地掌握不良事件的发生趋势，为及时采取适当的管理措施和流程、制度改进提供了良好的量化依据。系统通过汇集不同类型事件的报告，从中分析出医院内部潜在的问题和风险，将发生的事故降到最低，从而保证病人安全和医护人员安全。
源码宝
57 0