PHP采集利器：Snoopy 试用心得

Snoopy是什么? （下载 snoopy）

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。

Snoopy的一些特点:

* 方便抓取网页的内容

* 方便抓取网页的文本内容 (去除HTML标签)

* 方便抓取网页的链接

* 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)

* 支持浏览器转向，并能控制转向深度

* 能把网页中的链接扩展成高质量的url(默认)

* 方便提交数据并且获取返回值

* 支持跟踪HTML框架(v0.92增加)

* 支持再转向的时候传递cookies (v0.92增加)

 

要想了解的更深入些，你自己Google一下吧。下面就给几个简单的例子：

1获取指定url内容

PHP代码

?

$url = "http://www.taoav.com" ;    include ( "snoopy.php" );    $snoopy = new Snoopy;    $snoopy ->fetch( $url ); //获取所有内容    echo $snoopy ->results; //显示结果    $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

2 表单提交

PHP代码

?

$formvars [ "username" ] = "admin" ;    $formvars [ "pwd" ] = "admin" ;    $action = "http://www.taoav.com" ;//表单提交地址    $snoopy ->submit( $action , $formvars ); //$formvars为提交的数组    echo $snoopy ->results; //获取表单提交后的 返回的结果      $snoopy ->submittext; //提交后只返回 去除html的 文本    $snoopy ->submitlinks; //提交后只返回 链接

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

3 伪装

PHP代码

?

$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" ] = "127.0.0.101" ; //伪装ip    $snoopy ->submit( $action , $formvars );    echo $snoopy ->results;

2. 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。

4 有时我们可能需要伪造更多的东西,snoopy完全为我们想到了

PHP代码

?

$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    // 例如链接为 /images/taoav.gif 可改为它的全链接 http://www.taoav.com/images/taoav.gif，这个地方其实可以在最后输出的时候用ereg_replace函数自己替换  $snoopy ->maxframes = 5 //允许的最大框架数       //注意抓取框架的时候 $snoopy->results 返回的是一个数组       $snoopy ->error //返回报错信息

上面的基本用法了解了，下面我就实例演示一次：

PHP代码 

?

<?    //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"; //这项是浏览器信 息，前面你用什么浏览器查看cookie，就用那个浏览器的信息(ps: $_SERVER 可以查看到浏览器的信息)     $snoopy ->referer = "http://bbs.phpchina.com/index.php" ;    $snoopy ->expandlinks = true;    $snoopy ->rawheaders[ "COOKIE" ]= "__utmz=17229162.1227682761.29.7.utmccn=(referral)|utmcsr=phpchina.com|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.phpchina.com/forum-17-1.html" );  $n = ereg_replace ( "href=\"" , "href=\"http://bbs.phpchina.com/" , $snoopy ->results );    echo ereg_replace ( "src=\"" , "src=\"http://bbs.phpchina.com/" , $n );    ?>

这是模拟登陆PHPCHINA论坛的过程，首先要查看自己浏览器的信
息：echo var_dump($_SERVER);这句代码可以看到自己浏览器的信息，把
$_SERVER['HTTP_USER_AGENT']后边的内容复制下来，粘在$snoopy->agent的地方，然后就是要查看自己的
COOKIE了，用自己在论坛的账号登陆论坛后，在浏览器地址栏里输入
javascript:document.write(document.cookie)，回车，就可以看到自己的cookie信息，复制粘贴
到$snoopy->rawheaders["COOKIE"]=的后边。（我的cookie信息为了安全起见已经删除了一段内容）

然后再注意：

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

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

这两句代码，因为采集到的内容所有的HTML源码地址都是相对链接，所以要替换成绝对链接，这样就可以引用论坛的图片和css样式了。