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 |
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：
