模拟浏览器与网页通信

最近因为某些需要，在学习如何通过编程来和Web服务器交互。
现在似乎有点入门了，和大家分享一下心得。
（估计这也是做农场外挂等的基础，如果你有兴趣，欢迎和我讨论）

１．前期准备

必备知识/工具：
　　１．http协议基础
　　２．网络抓包工具

要与web服务器进行交互，基本的http协议知识是必须的。
这里我用自己的理解来简单说下吧：
初学时，需要知道http协议最重要的几个特点，否者就无法正确编写程序。

１．http协议是请求/应答模式的
就是，首先你先发一个请求给web服务器，然后web服务器会给你一个回应。
与web服务器的交互过程，就是这“一问一答”的过程。
常用请求有２种，一种是Get（用于请求获取资源）。一种是Post（用于请求提交表单等数据）

２．http协议是不维持连接的。
这个是什么意思呢？和我们上次做的foxmail的smtp协议不同，
http协议在每一次的“问答”过程结束后，服务器都会关闭连接。
就是说，你soket创建一个套接字去连接服务器，并且发送了一个请求（问），
服务器返回一个请求的结果（答）后，服务器就会关闭这个套接字。
如果要在发送第二个请求怎么办？——再创建一个套接字，再去连接服务器。

３．http协议不会记录访问者的状态
如２所说，http协议不维持连接。每一次问答结束后，连接的套接字就没用了。
那么，像论坛这样的网站是如何记住我们已经登录了呢？答案是：cookies.
在提交登录表单后，如果登录成功，服务器会返回一个或几个cookie。
在下一次的请求中，再次把这些cookie发送给服务器，来证明自己已经登录了网站。

以上３点，是我这几天学习的总结，如有错，还请高手指点。
有了http的基础知识后，我们还需要一款网络抓包工具，
去了解浏览器在与web服务器交互的过程中都发送/接收到了什么。
我们自己编写的程序，其实也就是把浏览器发给服务器的东西自己再发送一次
浏览器发送了什么，我们就发送什么，从而达到模拟浏览器与服务器交互的过程。

抓包工具有很多：Ethereal , sniffer　都可以。
这里我们只关心http的数据，所以选用：HttpWatch.
关于HttpWatch的详细使用，你们自己百度下吧。。。这里我就不罗嗦了

２．我编写的HttpTester工具

这个“工具”很简单，是用来发送一些测试的http请求数据的，并且接收服务器的回应数据。
如果想做个论坛自动灌水机，或者是什么ＸＸ网页游戏的助手的话。可以先用HttpTester来测试一下。
HttpTester界面如下：

下载 (40.62 KB)

2010-9-17 15:30

我的HttpTester可执行文件下载：
HttpTester.rar (135.99 KB)

HttpTester源代码：
IDE：VS2005
语言：C++

本帖隐藏的内容需要回复才可以浏览

接收数据的延迟，是发送请求后，等待多久才去接收服务器的回应。
为什么要等待呢？如果不等待，请求发送过去后（用send函数），
马上去接收数据（调用recv函数），用非阻塞的套接字会收不到任何数据（原因是明显的）。
就算用了阻塞的套接字，也可能会只收到了“半截”数据。因为服务器如果发送大量的回应数据
网络延迟的存在，我们主机可能会先收到一部分数据，而其他部分的数据在延迟了几秒后才到达。
阻塞套接字的recv接收，在收到一部分数据后，就返回了。

用非阻塞的套接字是什么情况呢？
可以先调用select函数来延迟几秒，测试是否有数据达到。有数据达到了，再调用recv去接收。
注意：select函数的行为是：一旦在指定的延迟时间内，发现能读取数据后，它就返回。
就是说，当只有半截数据过来时，select也返回了，这时调用recv还是只接收到了半截数据。

用简单的方法，阻塞和非阻塞套接字都不能很好地完全接收数据。
我的做法是：先用Sleep函数延迟几秒，然后select函数判断一下，是否有能读取的数据。
如果有，就调用recv去接收。由于事先调用了select判断，
我觉得这里用阻塞的，非阻塞的套接字都无关紧要。

我的这个做法，还有缺陷，就是延迟时间不够的话，还是不能完全接收服务器的回应数据。
回想http协议的特点，服务器会在回应完毕后，关闭套接字。
我们可以尝试做一个recv接收数据循环。循环终止的条件是：套接字已被服务器closesocket掉了。
这个尝试，就交给你们来完成了，谁有做这个测试的，得出结果后，请通知我。。。
我的简单处理方法，已能应付大多数情况。嘿嘿。



３．HttpWatch＋HttpTester与服务器交互。

３．１取得CSDN注册会员页面的验证码图片

我先举这个例子来说明，其他的应该可以触类旁通了。

ＣＳＤＮ注册会员的页面地址是：http://passport.csdn.net/UserLogin.aspx?from=%2fPassport.aspx

我们要取得这个页面上的这张验证码图片：

１．打开HttpWatch来分析浏览器在取这张验证码时发送了怎样的请求。

下载 (107.74 KB)

2010-9-17 16:11

我们可以看到浏览器在请求这张图片时，发送了如下数据：

GET /ShowExPwd.aspx?temp=ge6nmewq HTTP/1.1
Accept: */*
Referer: http://passport.csdn.net/UserLogin.aspx?from=%2fPassport.aspx
Accept-Language: zh-cn
UA-CPU: x86
Accept-Encoding: gzip, deflate
User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022)
Host: passport.csdn.net
Connection: Keep-Alive
Cookie: ASP.NET_SessionId=na0bcr0ukuehaamjvzbskgta; ClientKey=ab5eb6b5-94b**5a5-99fb-1662df04030a

２．打开HttpTest，把这串数据原封不动地复制到“请求的数据”编辑框中。
如下图：
注意：填写“请求的数据”，末尾必须要有２个空行。否则收不到任何回应。

下载 (60.83 KB)

2010-9-17 16:16

“服务器地址”编辑框填写web服务器的ＩＰ或者域名，这里是：passport.csdn.net
“服务器端口”编辑框填写web主机的端口，http协议默认端口是８０，这里我们填写默认的端口号：８０
“接收数据的延迟”编辑框，设置为：１０００（一秒）

然后，就可以点“发送”按钮了。
服务器回应结果如下图：

下载 (78.83 KB)

2010-9-17 16:25

输入一个文件名，然后点“保存数据”按钮，就会把服务器返回的图片数据保存为文件。
然后点“打开文件”，就可以浏览到收到的验证码图片了。

３．２获取咱如鹏网首页的logo图片。

通过HttpWatch的分析，我们知道浏览器在获取咱如鹏网logo时
是发送了类似如下的请求：

GET /forum/templates/uchome/images/logo.gif HTTP/1.1
Accept: */*
Referer: http://www.rupeng.com/forum/
Accept-Language: zh-cn
UA-CPU: x86
Accept-Encoding: gzip, deflate
User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022)
Host: www.rupeng.com
Connection: Keep-Alive
Cookie: cdb_sid=Nm5oej

对http协议有初步了解后，我们知道，如果只是想“单纯地”获取如鹏网logo
只需要发送如下的请求就够了：
（注意：发送的请求最后需要有２个空行）

GET /forum/templates/uchome/images/logo.gif HTTP/1.1
Host: www.rupeng.com


下图显示获取如鹏网ogo的情况。

下载 (68.96 KB)

2010-9-17 16:36

3.3 获取如鹏网首页数据

还是老样子，先用HttpWatch来分析。
发现浏览器在获取如鹏首页发送了如下请求：

GET /forum/ HTTP/1.1
Accept: */*
Accept-Language: zh-cn
UA-CPU: x86
Accept-Encoding: gzip, deflate
User-Agent: Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.5.21022)
Host: www.rupeng.com
Connection: Keep-Alive

我做的HttpTester有点烂，没有gzip压缩/解压缩功能。（嘿嘿，其实是我自己现在写不出算法）
所以，要用我的HttpTester获取如鹏首页数据，需要改一改上面的请求。
修改后的请求如下：

GET /forum/ HTTP/1.1
Accept-Encoding: utf-8
Host: www.rupeng.com

这里主要改了Accept-Encoding头从原先的gzip改成utf-8，说明我们只能接收utf-8编码的内容。

下图显示获取如鹏网首页数据的情况：

下载 (83.1 KB)

2010-9-17 16:51

４．模拟浏览器登录网站

我的这个帖子《查看咱网站用户信息》是一个例子
http://www.rupeng.com/forum/thread-15682-1-1.html

用HttpTester可以一步步讲解步骤的。但是这里篇幅原因就不说了
主要是提取cookie和填写cookie。提交请求，获取页面信息这样。


５．Chunked解码

在“ 3.3 获取如鹏网首页数据”这一步中，获取首页后，
查看服务器返回的消息报头，有这么一段：Transfer-Encoding: chunked
这个报头字段说明返回的附加数据（这里是页面数据）是经过chunked编码的。

如果要保存返回的附加数据的话，需要chunked解码。
（　勾选“chunked解码”复选框再保存数据。
Chunked解码比较简单，我自己写了一个简单的解码函数在HttpTester里面，
这个解码过程可能会有些问题，但目前还够用，呵呵　）

其实，如鹏网首页数据不用Chunked解码来查看也是可以的。
我遇过一个网站，获取一张验证码图片后，原本１.5K的图片数据，
它给Chunked编码到了４Ｋ发过来。－。－

这里不Chunked解码就无法查看图片的内容了。。。

转自：http://peizhiinfo.iteye.com/blog/1253970