限时免费试用：欢迎注册 api.bigmodel.org ，快速体验大模型 API 接入服务。
当前位置：首页 >开发者 >PHP笔记 >PHP高级

转载 | PHP抓取采集类snoopy介绍

分类：PHP高级时间：2018-08-11浏览：2157
类下载地址:https://sourceforge.net/p/snoopyclass/code/HEAD/tree/Snoopy.class.php 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 $this->results。 
	fetch($url);        //获取所有内容
	echo $snoopy->results;       //显示结果
	?>
2. fetchtext($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。 
	fetchtext($url);        //获取文本内容
	echo $snoopy->results;       //显示结果
	?>
3. fetchform($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";
02	$snoopy = new Snoopy;
03	
04	$snoopy->proxy_host = "http://www.nowamagic.net/librarys/veda/";
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.4wei.cn";
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	$snoopy->pass = "bloe";
21	
22	if($snoopy->fetchtext("http://www.4wei.cn"))
23	{
24	echo "
".htmlspecialchars($snoopy->results)."
n"; 25 } 26 else 27 echo "error fetching document: ".$snoopy->error."n";
获取指定url内容： 
01	fetch($url); //获取所有内容
06	echo $snoopy->results; //显示结果
07	//可选以下
08	//$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	submit($action,$formvars);//$formvars为提交的数组
06	echo $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	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);
13	echo $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	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
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
03	* http://snoopy.sourceforge.net/
04	*/
05	include("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.jonasjohn.de/";
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	//$snoopy->pass = "bloe";
31	  
32	// fetch the text of the website www.google.com:
33	if($snoopy->fetchtext("http://www.google.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($snoopy->results)."n";
50	}
51	else {
52	    print "Snoopy: error while fetching document: ".$snoopy->error."n";
53	}
用Snoopy类完成一个简单的图片采集： 
01	
02	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 
10	foreach ($a as $tmp) {
11	    if (preg_match($re, $tmp)) {
12	        $aa=$tmp;       
13	    }   
14	} 
15	getImgURL($aa);
16	function getImgURL($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	    $reTag = "//i";               
23	    if (preg_match($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	        {     
28	            saveImgURL($matchResult[1][$i], $matchResult[2][$i]);           
29	        }       
30	    }   
31	}       
32	function saveImgURL($name, $suffix) {
33	    $url = $name.".".$suffix;               
34	    echo "请求的图片地址：".$url."
";               
35	    $imgSavePath = "E:/123/images/";  //图片保存地址     
36	    $imgId =mt_rand(); //产生一个随机的文件名
37	    if ($suffix == "gif") {
38	        //根据图片类型，放入不同的文件夹下面          
39	        $imgSavePath .= "emotion";       
40	    }
41	    else
42	    {           
43	        $imgSavePath .= "topic";       
44	    }       
45	    $imgSavePath .= ("/".$imgId.".".$suffix);  //组装要保存的文件名
46	    if (is_file($imgSavePath)) {  
47	        //判断文件名是否存在，存在则删除        
48	        unlink($imgSavePath);           
49	        echo "
文件".$imgSavePath."已存在，将被删除
";       
50	    } 
51	    $imgFile = file_get_contents($url); //读取网络文件    
52	    $flag = file_put_contents($imgSavePath,$imgFile);   //写入到本地
53	    if ($flag) {           
54	        echo "
文件".$imgSavePath."保存成功
";       
55	    }   
56	}
57	?>

转载自:http://www.nowamagic.net/librarys/veda/detail/855

本站文章如未注明出处均为原创，转载请注明出处，如有侵权请邮件联系站长。
0/500
Share your thoughts respectfully.