snoopy 強大的PHP採集類使用執行個體代碼

來源:互聯網
上載者:User
下載地址: http://www.jb51.net/codes/33397.html

Snoopy的一些特點:

1抓取網頁的內容 fetch
2 抓取網頁的常值內容 (去除HTML標籤) fetchtext
3抓取網頁的連結,表單 fetchlinks fetchform
4 支援代理主機
5支援基本的使用者名稱/密碼驗證
6 支援設定 user_agent, referer(來路), cookies 和 header content(標頭檔)
7支援瀏覽器重新導向,並能控制重新導向深度
8能把網頁中的連結擴充功能成高品質的url(預設)
9提交資料並且擷取傳回值
10 支援跟蹤HTML架構
11支援重新導向的時候傳遞cookies
要求php4以上就可以了 由於本身是php一個類 無需擴支援 伺服器不支援curl時候的最好選擇,

類方法:

fetch($URI)
———–

這是為了抓取網頁的內容而使用的方法。
$URI參數是被抓取網頁的URL地址。
抓取的結果被儲存在 $this->results 中。
如果你正在抓取的是一個架構,Snoopy將會將每個架構追蹤後存入數組中,然後存入 $this->results。

fetchtext($URI)
—————

本方法類似於fetch(),唯一不同的就是本方法會去除HTML標籤和其他的無關資料,只返回網頁中的文字內容。

fetchform($URI)
—————

本方法類似於fetch(),唯一不同的就是本方法會去除HTML標籤和其他的無關資料,只返回網頁中表單內容(form)。

fetchlinks($URI)
—————-

本方法類似於fetch(),唯一不同的就是本方法會去除HTML標籤和其他的無關資料,只返回網頁中連結(link)。
預設情況下,相對連結將自動補全,轉換成完整的URL。

submit($URI,$formvars)
———————-

本方法向$URL指定的連結地址發送確認表單。$formvars是一個儲存表單參數的數組。

submittext($URI,$formvars)
————————–

本方法類似於submit(),唯一不同的就是本方法會去除HTML標籤和其他的無關資料,只返回登陸後網頁中的文字內容。

submitlinks($URI)
—————-

本方法類似於submit(),唯一不同的就是本方法會去除HTML標籤和其他的無關資料,只返回網頁中連結(link)。
預設情況下,相對連結將自動補全,轉換成完整的URL。

類屬性: (預設值在括弧裡)

$host 串連的主機
$port 串連的連接埠
$proxy_host 使用的代理主機,如果有的話
$proxy_port 使用的代理主機連接埠,如果有的話
$agent 使用者代理程式偽裝 (Snoopy v0.1)
$referer 來路資訊,如果有的話
$cookies cookies, 如果有的話
$rawheaders 其他的頭資訊, 如果有的話
$maxredirs 最大重新導向次數, 0=不允許 (5)
$offsiteok whether or not to allow redirects off-site. (true)
$expandlinks 是否將連結都補全為完整地址 (true)
$user 認證使用者名稱, 如果有的話
$pass 認證使用者名稱, 如果有的話
$accept http 接受類型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
$error 哪裡報錯, 如果有的話
$response_code 從伺服器返回的響應代碼
$headers 從伺服器返回的頭資訊
$maxlength 最長返回資料長度
$read_timeout 讀取操作逾時 (requires PHP 4 Beta 4+)
設定為0為沒有逾時
$timed_out 如果一次讀取操作逾時了,本屬性返回 true (requires PHP 4 Beta 4+)
$maxframes 允許追蹤的架構最大數量
$status 抓取的http的狀態
$temp_dir 網頁伺服器能夠寫入的臨時檔案目錄 (/tmp)
$curl_path cURL binary 的目錄, 如果沒有cURL binary就設定為 false

以下是demo
複製代碼 代碼如下:
include "Snoopy.class.php";
$snoopy = new Snoopy;
$snoopy->proxy_host = "http://www.jb51.net";
$snoopy->proxy_port = "80";
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
$snoopy->referer = "http://www.jb51.net";
$snoopy->cookies["SessionID"] = 238472834723489l;
$snoopy->cookies["favoriteColor"] = "RED";
$snoopy->rawheaders["Pragma"] = "no-cache";
$snoopy->maxredirs = 2;
$snoopy->offsiteok = false;
$snoopy->expandlinks = false;
$snoopy->user = "joe";
$snoopy->pass = "bloe";
if($snoopy->fetchtext("http://www.jb51.net"))
{
echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>\n";
}
else
echo "error fetching document: ".$snoopy->error."\n";

以下是一些程式碼片段:
1、擷取指定url內容
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
//可選以下
$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
複製代碼 代碼如下:
<?php
$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://www.jb51.net";//</a>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
//可選以下
$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
複製代碼 代碼如下:
<?php
$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://www.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
複製代碼 代碼如下:
<?php
$snoopy->proxy_host = "http://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 <a href="http://www.jb51.net/images/taoav.gif">http://www.jb51.net/images/taoav.gif</a>
$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
?>


相關文章

Beyond APAC's No.1 Cloud

19.6% IaaS Market Share in Asia Pacific - Gartner IT Service report, 2018

Learn more >

Apsara Conference 2019

The Rise of Data Intelligence, September 25th - 27th, Hangzhou, China

Learn more >

Alibaba Cloud Free Trial

Learn and experience the power of Alibaba Cloud with a free trial worth $300-1200 USD

Learn more >

聯繫我們

該頁面正文內容均來源於網絡整理,並不代表阿里雲官方的觀點,該頁面所提到的產品和服務也與阿里云無關,如果該頁面內容對您造成了困擾,歡迎寫郵件給我們,收到郵件我們將在5個工作日內處理。

如果您發現本社區中有涉嫌抄襲的內容,歡迎發送郵件至: info-contact@alibabacloud.com 進行舉報並提供相關證據,工作人員會在 5 個工作天內聯絡您,一經查實,本站將立刻刪除涉嫌侵權內容。