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。官方网站 http://snoopy.sourceforge.net/
Snoopy的一些功能特点:
- 抓取网页的内容 fetch()
- 抓取网页的文本内容 (去除HTML标签) fetchtext()
- 抓取网页的链接,表单 fetchlinks() fetchform()
- 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)
- 支持浏览器重定向,并能控制重定向深度
- 能把网页中的链接扩展成高质量的url(默认)
- 提交数据并且获取返回值
- 支持跟踪HTML框架
- 支持重定向的时候传递cookies
要求php4以上就可以。由于本身是php一个类,无需扩支持,服务器不支持curl时候的最好选择。
类方法
1. fetch($uri)
这是为了抓取网页的内容而使用的方法。$URI参数是被抓取网页的URL地址。抓取的结果被存储在 $this->results 中。
如果你正在抓取的是一个框架,Snoopy将会将每个框架追踪后存入数组中,然后存入 $this->results。
3 | include ( "./Snoopy.class.php" ); |
2. fetchtext($URI)
本方法类似于fetch(),唯一不同的就是本方法会去除HTML标签和其他的无关数据,只返回网页中的文字内容。
3 | include ( "./Snoopy.class.php" ); |
6 | $snoopy ->fetchtext( $url ); |
3. fetchform($URI)
本方法类似于fetch(),唯一不同的就是本方法会去除HTML标签和其他的无关数据,只返回网页中表单内容(form)。
4. fetchlinks($URI)
本方法类似于fetch(),唯一不同的就是本方法会去除HTML标签和其他的无关数据,只返回网页中链接(link)。默认情况下,相对链接将自动补全,转换成完整的URL。
5. submit($URI,$formvars)
本方法向$URL指定的链接地址发送确认表单。$formvars是一个存储表单参数的数组。
6. submittext($URI,$formvars)
本方法类似于submit(),唯一不同的就是本方法会去除HTML标签和其他的无关数据,只返回登陆后网页中的文字内容。
7. submitlinks($URI)
本方法类似于submit(),唯一不同的就是本方法会去除HTML标签和其他的无关数据,只返回网页中链接(link)。默认情况下,相对链接将自动补全,转换成完整的URL。
类属性 (缺省值在括号里)
- $host 连接的主机
- $port 连接的端口
- $proxy_host 使用的代理主机,如果有的话
- $proxy_port 使用的代理主机端口,如果有的话
- $agent 用户代理伪装 (Snoopy v0.1)
- $referer 来路信息,如果有的话
- $cookies cookies, 如果有的话
- $rawheaders 其他的头信息, 如果有的话
- $maxredirs 最大重定向次数, 0=不允许 (5)
- $offsiteok whether or not to allow redirects off-site. (true)
- $expandlinks 是否将链接都补全为完整地址 (true)
- $user 认证用户名, 如果有的话
- $pass 认证用户名, 如果有的话
- $accept http 接受类型 (image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
- $error 哪里报错, 如果有的话
- $response_code 从服务器返回的响应代码
- $headers 从服务器返回的头信息
- $maxlength 最长返回数据长度
- $read_timeout 读取操作超时 (requires PHP 4 Beta 4+),设置为0为没有超时
- $timed_out 如果一次读取操作超时了,本属性返回 true (requires PHP 4 Beta 4+)
- $maxframes 允许追踪的框架最大数量
- $status 抓取的http的状态
- $temp_dir 网页服务器能够写入的临时文件目录 (/tmp)
- $curl_path cURL binary 的目录, 如果没有cURL binary就设置为 false
Demo
01 | include "Snoopy.class.php" ; |
05 | $snoopy ->proxy_port = "80" ; |
07 | $snoopy ->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)" ; |
10 | $snoopy ->cookies[ "SessionID" ] = 238472834723489l; |
11 | $snoopy ->cookies[ "favoriteColor" ] = "RED" ; |
13 | $snoopy ->rawheaders[ "Pragma" ] = "no-cache" ; |
15 | $snoopy ->maxredirs = 2; |
16 | $snoopy ->offsiteok = false; |
17 | $snoopy ->expandlinks = false; |
20 | $snoopy ->pass = "bloe" ; |
24 | echo " " .htmlspecialchars( $snoopy ->results). "
n" ; |
27 | echo "error fetching document: " . $snoopy ->error. "n" ; |
获取指定url内容:
表单提交:
02 | $formvars [ "username" ] = "admin" ; |
03 | $formvars [ "pwd" ] = "admin" ; |
05 | $snoopy ->submit( $action , $formvars ); |
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:
02 | $formvars [ "username" ] = "admin" ; |
03 | $formvars [ "pwd" ] = "admin" ; |
07 | $snoopy ->cookies[ "PHPSESSID" ] = 'fc106b1918bd522cc863f36890e6fff7' ; |
08 | $snoopy ->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)" ; |
09 | $snoopy ->referer = http: |
10 | $snoopy ->rawheaders[ "Pragma" ] = "no-cache" ; |
11 | $snoopy ->rawheaders[ "X_FORWARDED_FOR" ] = "127.0.0.101" ; |
12 | $snoopy ->submit( $action , $formvars ); |
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。
有时我们可能需要伪造更多的东西,snoopy完全为我们想到了:
03 | $snoopy ->proxy_port = "8080" ; |
04 | $snoopy ->maxredirs = 2; |
05 | $snoopy ->expandlinks = true; |
比较完整的示例:
05 | include ( "snoopy.class.php" ); |
13 | $snoopy ->agent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)" ; |
17 | $snoopy ->cookies[ "SessionID" ] = '238472834723489' ; |
18 | $snoopy ->cookies[ "favoriteColor" ] = "blue" ; |
21 | $snoopy ->rawheaders[ "Pragma" ] = "no-cache" ; |
24 | $snoopy ->maxredirs = 2; |
25 | $snoopy ->offsiteok = false; |
26 | $snoopy ->expandlinks = false; |
37 | print "response code: " . $snoopy ->response_code. " n" ; |
42 | while (list( $key , $val ) = each( $snoopy ->headers)){ |
43 | print $key . ": " . $val . " n" ; |
49 | print htmlspecialchars( $snoopy ->results). "n" ; |
52 | print "Snoopy: error while fetching document: " . $snoopy ->error. "n" ; |
用Snoopy类完成一个简单的图片采集:
01 | 'content-type' content= 'text/html;charset=utf-8' >
|
03 | include 'Snoopy.class.php' ; |
04 | $snoopy = new Snoopy(); |
06 | $snoopy ->fetchlinks( $sourceURL ); |
11 | if (preg_match( $re , $tmp )) { |
16 | function getImgURL( $siteName ) |
18 | $snoopy = new Snoopy(); |
19 | $snoopy ->fetch( $siteName ); |
20 | $fileContent = $snoopy ->results; |
22 | $reTag = "/(http: |
23 | if (preg_match( $reTag , $fileContent )) { |
25 | $ret = preg_match_all( $reTag , $fileContent , $matchResult ); |
26 | for ( $i = 0, $len = count ( $matchResult [1]); $i < $len ; ++ $i ) |