欢迎来到DESIPO.COM,外贸电子商务整合专家!登录 | 免费注册 ?
会员优惠 | 软件下载 | 客服中心 | 收藏本站 | 购物车[0件]

PHP 模拟 浏览器 操作类 SNOOPY

编辑时间2015年 12月 17日 查看全部评论 写评论
PHP 模拟 浏览器 操作类 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。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。

1
2$url "http://www.desipo.com/";
3include("./Snoopy.class.php");
4 
5$snoopy new Snoopy;
6$snoopy->fetch($url);        //获取所有内容
7echo $snoopy->results;       //显示结果
8?>

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。

1
3include("./Snoopy.class.php");
4 
5$snoopy new Snoopy;
6$snoopy->fetchtext($url);        //获取文本内容
7echo $snoopy->results;       //显示结果
8?>

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)。

1 

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。

1 

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。

1 

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。

1 

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。

1 

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

01include "Snoopy.class.php";
02$snoopy new Snoopy;
03 
04$snoopy->proxy_host = "http://www.desipo.com/";
05$snoopy->proxy_port = "80";
06 
07$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
08$snoopy->referer = "http://www.desipo.com";
09 
10$snoopy->cookies["SessionID"] = 238472834723489l;
11$snoopy->cookies["favoriteColor"] = "RED";
12 
13$snoopy->rawheaders["Pragma"] = "no-cache";
14 
15$snoopy->maxredirs = 2;
16$snoopy->offsiteok = false;
17$snoopy->expandlinks = false;
18 
19$snoopy->user = "joe";
20$snoopy->pass = "bloe";
21 
22if($snoopy->fetchtext("http://www.desipo.com"))
23{
24echo "
".htmlspecialchars($snoopy->results)."
n";
25}
26else
27echo "error fetching document: ".$snoopy->error."n";

获取指定url内容:

01
03include("snoopy.php");
04$snoopy new Snoopy;
05$snoopy->fetch($url); //获取所有内容
06echo $snoopy->results; //显示结果
07//可选以下
08//$snoopy->fetchtext //获取文本内容(去掉html代码)
09//$snoopy->fetchlinks //获取链接
10//$snoopy->fetchform  //获取表单
11?>

表单提交:

01
02$formvars["username"] = "admin";
03$formvars["pwd"] = "admin";
04$action "http://www.desipo.com/";//表单提交地址
05$snoopy->submit($action,$formvars);//$formvars为提交的数组
06echo $snoopy->results; //获取表单提交后的 返回的结果
07//可选以下
08$snoopy->submittext; //提交后只返回 去除html的 文本
09$snoopy->submitlinks;//提交后只返回 链接
10?>

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:

01
02$formvars["username"] = "admin";
03$formvars["pwd"] = "admin";
04$action "http://www.desipo.com";
05include "snoopy.php";
06$snoopy new Snoopy;
07$snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7'//伪装sessionid
08$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";//伪装浏览器
09$snoopy->referer = http://www.4wei.cn; //伪装来源页地址 http_referer
10$snoopy->rawheaders["Pragma"] = "no-cache"//cache 的http头信息
11$snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.101"//伪装ip
12$snoopy->submit($action,$formvars);
13echo $snoopy->results;
14?>

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:

01
02$snoopy->proxy_host = "http://www.nowamagic.net/librarys/veda/";
03$snoopy->proxy_port = "8080"//使用代理
04$snoopy->maxredirs = 2; //重定向次数
05$snoopy->expandlinks = true; //是否补全链接 在采集的时候经常用到
06// 例如链接为 /images/taoav.gif 可改为它的全链接 http://www.4wei.cn/images/taoav.gif">http://www.4wei.cn/images/taoav.gif>
07$snoopy->maxframes = 5 //允许的最大框架数
08//注意抓取框架的时候 $snoopy->results 返回的是一个数组
09$snoopy->error //返回报错信息
10?>

比较完整的示例:

01/**
02* You need the snoopy.class.php from
04*/
05include("snoopy.class.php");
06  
07$snoopy new Snoopy;
08// need an proxy?:
09//$snoopy->proxy_host = "my.proxy.host";
10//$snoopy->proxy_port = "8080";
11  
12// set browser and referer:
13$snoopy->agent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)";
14$snoopy->referer = "http://www.desipo.com/";
15  
16// set some cookies:
17$snoopy->cookies["SessionID"] = '238472834723489';
18$snoopy->cookies["favoriteColor"] = "blue";
19  
20// set an raw-header:
21$snoopy->rawheaders["Pragma"] = "no-cache";
22  
23// set some internal variables:
24$snoopy->maxredirs = 2;
25$snoopy->offsiteok = false;
26$snoopy->expandlinks = false;
27  
28// set username and password (optional)
29//$snoopy->user = "joe";
30//$snoopy->pass = "bloe";
31  
32// fetch the text of the website www.google.com:
33if($snoopy->fetchtext("http://www.desipo.com")){
34    // other methods: fetch, fetchform, fetchlinks, submittext and submitlinks
35  
36    // response code:
37    print "response code: ".$snoopy->response_code."
n"
;
38  
39    // print the headers:
40  
41    print "Headers:
"
;
42    while(list($key,$val) = each($snoopy->headers)){
43        print $key.": ".$val."
n"
;
44    }
45  
46    print "
n"
;
47  
48    // print the texts of the website:
49    print htmlspecialchars($snoopy->results)."n";
50}
51else {
52    print "Snoopy: error while fetching document: ".$snoopy->error."n";
53}

用Snoopy类完成一个简单的图片采集:

01'content-type' content='text/html;charset=utf-8'>
02
03include 'Snoopy.class.php';   //加载Snoopy类    
04$snoopy new Snoopy();       //实例化一个对象
05$sourceURL "http://www.desipo.com/";    //要抓取的网页
06$snoopy->fetchlinks($sourceURL);        //获得网页的链接
07$a $snoopy->results;     //得到网页链接的结果
08$re "/d+.html$/";     //匹配的正则
09//过滤获取指定的文件地址请求 
10foreach ($a as $tmp) {
11    if (preg_match($re$tmp)) {
12        $aa=$tmp;       
13    }   
14
15getImgURL($aa);
16function getImgURL($siteName)
17{       
18    $snoopy new Snoopy();       
19    $snoopy->fetch($siteName);               
20    $fileContent $snoopy->results;    //获取过滤后的页面的内容           
21    //匹配图片的正则表达式       
22    $reTag "/(http://[^"]+).(jpg|png|gif|jpeg)"[^/]*/>/i";               
23    if (preg_match($reTag$fileContent)) { 
24        //过滤图片
25        $ret = preg_match_all($reTag$fileContent,$matchResult);                    
26        for ($i = 0, $len count($matchResult[1]); $i $len; ++$i)
27