snoopy 采集

1抓取网页的内容 fetch
2 抓取网页的文本内容 (去除HTML标签) fetchtext
3抓取网页的链接，表单 fetchlinks fetchform
4 支持代理主机
5支持基本的用户名/密码验证
6 支持设置 user_agent, referer(来路), cookies 和 header content(头文件)
7支持浏览器重定向，并能控制重定向深度
8能把网页中的链接扩展成高质量的url(默认)
9提交数据并且获取返回值
10 支持跟踪HTML框架
11支持重定向的时候传递cookies

 

fetch($url) 该方法用于抓取网页内容，类似于file_get_contents
submit($posturl,$params,$files) 该方法提交表单数据，第二个参数是一个一维数组,第三个参数是可选参数，上传文件时用到，例如array('myfile' => './images/test.jpg')
fetchlinks($url) 该方法用于获取网页所有链接
fetchform($url) 该方法用于获取网页上的form表单内容
fetchtext($url) 该方法用户获取不带标签的网页内容
submitlinks($posturl,$params) 该方法提交表单数据参数与submit方法相同，不同点是获取到的结果数据是链接
submittext($posturl,$params) 该方法提交表单数据参数与submit方法相同，不同点是获取到的结果数据是文本数据
set_submit_multipart() 该方法没有参数，文件上传时有效类似于设置表单中的enctype="multipart/form-data"
set_submit_normal() 该方法没有参数，相当于设置一个普通表单，不可用户文件
setcookies() 该方法没有参数，保存响应cookie信息 用于下一次请求首先说明一下，$snoopy->status是远程返回的状态码，成功返回的应该是200，其他情况下返回的都应该是错误的，并且有效的请求状态应该是大于0的，$snoopy->timed_out在未超时的情况下值为false，如果读取请求超时的话，返回值应该为true。

//表单页面
$blogFormUrl = 'http://blog.home.blogbus.com/5865443/posts/form';
//post数据
$blogPostUrl = 'http://blog.home.blogbus.com/5865443/posts/';
$form_data = array(
'title' => '321333',
'content' => '132131',
'post_time' => date('Y-m-d H:i'),
);
getPostPage($blogPostUrl, $form_data , $blogFormUrl);

function getPostPage($postUrl, $form_data = [], $formUrl = '') {
    $snoopy = new Snoopy;
    $snoopy->read_timeout = 4; //读取超时时间
    $snoopy->fetch($formUrl); //获取所有内容
    $result = '';
    if ($snoopy->status == '200' && !$snoopy->timed_out) {
        $snoopy->setcookies();
        $cookies = $snoopy->cookies;

        $snoopy->referer = $formUrl;
        $snoopy->cookies = $cookies;
        $status = $snoopy->submit($postUrl, $form_data, $formUrl);
        if ($status == true) {
            $result = $snoopy->results;
        }
    }
    return $result;
}

function findGetPage($route, $param = array()) {
    $query_string = http_build_query($param);
    $query_string = $query_string ? "?" . $query_string : '';
    $url = $route . $query_string;
    $snoopy = new Snoopy;
    $result = $snoopy->fetch($url); //获取所有内容
    if ($result) {
        $result = $snoopy->results;
    }
    return $result;
}

1获取指定url内容

<?php
$url = "http://www.youtube.com";
include("snoopy.php");
$snoopy = new Snoopy;
$snoopy->fetch($url); //获取所有内容
echo $snoopy->results; //显示结果
//可选以下
$snoopy->fetchtext; //获取文本内容（去掉html代码）
$snoopy->fetchlinks; //获取链接
$snoopy->fetchform; //获取表单
?> 

3 伪装

<?php
$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://www.taoav.com";
include "snoopy.php";
$snoopy = new Snoopy;
$snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7'; //伪装sessionid
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; //伪装浏览器
$snoopy->referer = "http://www.only4.cn"; //伪装来源页地址 http_referer
$snoopy->rawheaders["Pragma"] = "no-cache"; //cache 的http头信息
$snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.1"; //伪装ip
$snoopy->proxy_host = "www.only4.cn";
$snoopy->proxy_port = "8080"; //使用代理
$snoopy->maxredirs = 2; //重定向次数
$snoopy->expandlinks = true; //是否补全链接 在采集的时候经常用到 /images/taoav.gif 可改为它的全链接 http://www.taoav.com/images/taoav.gif
$snoopy->maxframes = 5; //允许的最大框架数
$snoopy->submit($action,$formvars);
echo $snoopy->results;
//$snoopy->error; //返回报错信息
?>

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。

让Snoopy也支持HTTPS的解决办法
去http://curl.haxx.se/download.html下载curl，

 重新在Snoopy.class.php中，指定cURL路径，设置端口为443