PHP採集利器 Snoopy 試用心得

Snoopy是什麼? （下載snoopy）
Snoopy是一個php類，用來模仿web瀏覽器的功能，它能完成擷取網頁內容和發送表單的任務。
Snoopy的一些特點:
* 方便抓取網頁的內容
* 方便抓取網頁的常值內容 (去除HTML標籤)
* 方便抓取網頁的連結
* 支援代理主機
* 支援基本的使用者名稱/密碼驗證
* 支援設定 user_agent, referer(來路), cookies 和 header content(標頭檔)
* 支援瀏覽器轉向，並能控制轉向深度
* 能把網頁中的連結擴充功能成高品質的url(預設)
* 方便提交資料並且擷取傳回值
* 支援跟蹤HTML架構(v0.92增加)
* 支援再轉向的時候傳遞cookies (v0.92增加)
要想瞭解的更深入些，你自己Google一下吧。下面就給幾個簡單的例子：
1擷取指定url內容
PHP代碼

複製代碼 代碼如下:$url = "http://www.jb51.net";
include("snoopy.php");
$snoopy = new Snoopy;
$snoopy->fetch($url); //擷取所有內容
echo $snoopy->results; //顯示結果
$snoopy->fetchtext //擷取常值內容（去掉html代碼）
$snoopy->fetchlinks //擷取連結
$snoopy->fetchform //擷取表單

2 表單提交
PHP代碼 複製代碼 代碼如下:$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://www.jb51.net";//表單提交地址
$snoopy->submit($action,$formvars);//$formvars為提交的數組
echo $snoopy->results; //擷取表單提交後的 返回的結果
$snoopy->submittext; //提交後只返回 去除html的 文本
$snoopy->submitlinks;//提交後只返回 連結

既然已經提交的表單 那就可以做很多事情 接下來我們來偽裝ip,偽裝瀏覽器
3 偽裝
PHP代碼 複製代碼 代碼如下:$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://www.jb51.net";
include "snoopy.php";
$snoopy = new Snoopy;
$snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7'; //偽裝sessionid
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; //偽裝瀏覽器
$snoopy->referer = "http://s.jb51.net"; //偽裝來源頁地址 http_referer
$snoopy->rawheaders["Pragma"] = "no-cache"; //cache 的http頭資訊
$snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.101"; //偽裝ip
$snoopy->submit($action,$formvars);
echo $snoopy->results;

原來我們可以偽裝session 偽裝瀏覽器 ，偽裝ip， haha 可以做很多事情了。
例如 帶驗證碼，驗證ip 投票， 可以不停的投。
ps:這裡偽裝ip ，其實是偽裝http頭, 所以一般的通過 REMOTE_ADDR 擷取的ip是偽裝不了，
反而那些通過http頭來擷取ip的(可以防止代理的那種) 就可以自己來製造ip。
關於如何驗證碼 ，簡單說下：
首先用普通的瀏覽器， 查看頁面 ， 找到驗證碼所對應的sessionid，
同時記下sessionid和驗證碼值，
接下來就用snoopy去偽造 。
原理:由於是同一個sessionid 所以取得的驗證碼和第一次輸入的是一樣的。
4 有時我們可能需要偽造更多的東西,snoopy完全為我們想到了
PHP代碼 複製代碼 代碼如下:$snoopy->proxy_host = "www.jb51.net";
$snoopy->proxy_port = "8080"; //使用代理
$snoopy->maxredirs = 2; //重新導向次數
$snoopy->expandlinks = true; //是否補全連結 在採集的時候經常用到
// 例如連結為 /images/taoav.gif 可改為它的全連結 http://www.jb51.net/images/taoav.gif，這個地方其實可以在最後輸出的時候用ereg_replace函數自己替換
$snoopy->maxframes = 5 //允許的最大架構數
//注意抓取架構的時候 $snoopy->results 返回的是一個數組
$snoopy->error //返回報錯資訊

上面的基本用法瞭解了，下面我就執行個體示範一次：
PHP代碼 複製代碼 代碼如下:<?
//echo var_dump($_SERVER);
include("Snoopy.class.php");
$snoopy = new Snoopy;
$snoopy->agent = "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-
CN; rv:1.9.0.5) Gecko/2008120122 Firefox/3.0.5 FirePHP/0.2.1";//這項是瀏覽器信
息，前面你用什麼瀏覽器查看cookie，就用那個瀏覽器的資訊(ps:$_SERVER可以查看到瀏覽器的資訊)
$snoopy->referer = "http://bbs.jb51.net/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://bbs.jb51.net");
$n=ereg_replace("href=\"","href=\"http://bbs.jb51.net/",$snoopy->results );
echo ereg_replace("src=\"","src=\"http://bbs.jb51.net/",$n);
?>

這是類比登陸PHPCHINA論壇的過程，首先要查看自己瀏覽器的信
息：echo var_dump($_SERVER);這句代碼可以看到自己瀏覽器的資訊，把
$_SERVER['HTTP_USER_AGENT']後邊的內容複寫下來，粘在$snoopy->agent的地方，然後就是要查看自己的
COOKIE了，用自己在論壇的帳號登陸論壇後，在瀏覽器地址欄裡輸入
javascript:document.write(document.cookie)，斷行符號，就可以看到自己的cookie資訊，複製粘貼
到$snoopy->rawheaders["COOKIE"]=的後邊。（我的cookie資訊為了安全起見已經刪除了一段內容）

然後再注意：

# $n=ereg_replace("href=\"","href=\"http://bbs.jb51.net/",$snoopy->results );

# echo ereg_replace("src=\"","src=\"http://bbs.jb51.net/",$n);

這兩句代碼，因為採集到的內容所有的HTML源碼地址都是相對連結，所以要替換成絕對連結，這樣就可以引用論壇的圖片和css樣式了。