Snoopy 模仿 Web 浏览器的功能网络请求 PHP 类
Snoopy 是 PHP 一个类。它能用来模仿 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。官网:http://snoopy.sourceforge.net/
特点
- 快速简便抓取网页的内容,文本(去掉了 Html 标签)和链接。
- 支持代理服务器,基本的用户/密码认证模式,内容。
- 支持浏览器重定向,并控制深度。
- 扩展获取的链接成带有域名的链接(默认)
- 能提交表单数据并获取结果
- 支持跟踪 HTML 框架(0.92 版本增加)
- 支持在重定向时传递 cookies(0.92 版本增加)
Snoopy 正确运行需要你的服务器的 PHP 版本在 4 以上,并且支持 PCRE(Perl Compatible Regular Expressions),基本的 LAMP 服务都支持。
方法函数
它提供以下的接口或者方法:
fetch($URI)
这个方法是抓取网页的内容,$URI
是要抓取网页的网址,抓取过来结果存储到 $this->results
。如果你抓取的是框架,这每个 frame 都会被抓取,结果会保存到一个数组中。
$url = "https://www.wenjiangs.com";
include("./Snoopy.class.php");
$snoopy = new Snoopy;
$snoopy->fetch($url); //获取所有内容
echo $snoopy->results; //显示结果
fetchtext($URI)
这个方法和 fetch()
是大致相同,只是它的结果是文本,除去 HTML 标签和其他无关信息。
$url = "https://www.wenjiangs.com";
include("./Snoopy.class.php");
$snoopy = new Snoopy;
$snoopy->fetchtext($url); //获取文本内容
echo $snoopy->results; //显示结果
fetchform($URI)
这个方法只返回抓取的网页上 form 元素。
fetchlinks($URI)
这个方法只返回抓取的网页上的链接,默认返回的链接都是含有域名的链接。
submit($URI,$formvars)
这个方法提交一个表单到指定的 $URI
。$formvars
是要传递的 form 变量数组。
submittext($URI,$formvars)
这个方法和 submit()
基本一致,但是它返回的是文本,除去了 html 标签和其他无关数据。
submitlinks($URI)
这个方法返回的是链接。
类属性
下面是 Snoopy 素有属性,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
简单示例
include "Snoopy.class.php";
$snoopy = new Snoopy;
$snoopy->proxy_host = "https://www.wenjiangs.com";
$snoopy->proxy_port = "80";
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
$snoopy->referer = "http://www.wenjiangs.cn";
$snoopy->cookies["SessionID"] = 238472834723489l;
$snoopy->cookies["favoriteColor"] = "RED";
$snoopy->rawheaders["Pragma"] = "no-cache";
$snoopy->maxredirs = 2;
$snoopy->offsiteok = false;
$snoopy->expandlinks = false;
$snoopy->user = "joe";
$snoopy->pass = "bloe";
if($snoopy->fetchtext("http://www.wenjiangs.cn")) {
echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>n";
}else{
echo "error fetching document: ".$snoopy->error."n";
}
获取指定 URL 内容
$url = "https://www.wenjiangs.com";
include("snoopy.php");
$snoopy = new Snoopy;
$snoopy->fetch($url); //获取所有内容
echo $snoopy->results; //显示结果
//可选以下
//$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
表单提交
$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "https://www.wenjiangs.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
//可选以下
$snoopy->submittext; //提交后只返回 去除html的 文本
$snoopy->submitlinks;//提交后只返回 链接
其他骚操作
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:
$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "https://www.wenjiangs.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 = https://www.wenjiangs.com; //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"] = "127.0.0.1"; //伪装ip
$snoopy->submit($action,$formvars);
echo $snoopy->results;
原来我们可以伪装 session、伪装浏览器、伪装ip, 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。
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:
$snoopy->proxy_host = "https://www.wenjiangs.com";
$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
// <a href="https://www.wenjiangs.com/wp-content/themes/wtheme/images/banner2.jpg">
// https://www.wenjiangs.com/wp-content/themes/wtheme/images/banner2.jpg
// </a>
$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
比较完整的示例
/**
* You need the snoopy.class.php from
* http://snoopy.sourceforge.net/
*/
include("snoopy.class.php");
$snoopy = new Snoopy;
// need an proxy?:
//$snoopy->proxy_host = "my.proxy.host";
//$snoopy->proxy_port = "8080";
// set browser and referer:
$snoopy->agent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)";
$snoopy->referer = "http://www.jonasjohn.de/";
// set some cookies:
$snoopy->cookies["SessionID"] = '238472834723489';
$snoopy->cookies["favoriteColor"] = "blue";
// set an raw-header:
$snoopy->rawheaders["Pragma"] = "no-cache";
// set some internal variables:
$snoopy->maxredirs = 2;
$snoopy->offsiteok = false;
$snoopy->expandlinks = false;
// set username and password (optional)
//$snoopy->user = "joe";
//$snoopy->pass = "bloe";
// fetch the text of the website www.google.com:
if($snoopy->fetchtext("http://www.google.com")){
// other methods: fetch, fetchform, fetchlinks, submittext and submitlinks
// response code:
print "response code: ".$snoopy->response_code."<br/>n";
// print the headers:
print "<b>Headers:</b><br/>";
while(list($key,$val) = each($snoopy->headers)){
print $key.": ".$val."<br/>n";
}
print "<br/>n";
// print the texts of the website:
print htmlspecialchars($snoopy->results)."n";
}
else {
print "Snoopy: error while fetching document: ".$snoopy->error."n";
}
图片采集器
用 Snoopy 类完成一个简单的图片采集:
include 'Snoopy.class.php'; //加载Snoopy类
$snoopy = new Snoopy(); //实例化一个对象
$sourceURL = "http://www.nowamagic.net/librarys/veda/"; //要抓取的网页
$snoopy->fetchlinks($sourceURL); //获得网页的链接
$a = $snoopy->results; //得到网页链接的结果
$re = "/d+.html$/"; //匹配的正则
//过滤获取指定的文件地址请求
foreach ($a as $tmp) {
if (preg_match($re, $tmp)) {
$aa = $tmp;
}
}
getImgURL($aa);
function getImgURL($siteName) {
$snoopy = new Snoopy();
$snoopy->fetch($siteName);
$fileContent = $snoopy->results; //获取过滤后的页面的内容
//匹配图片的正则表达式
$reTag = "/<img[^s]+src="(http: //[^"]+).(jpg|png|gif|jpeg)"[^/]*/>/i";
if (preg_match($reTag, $fileContent)) {
//过滤图片
$ret = preg_match_all($reTag, $fileContent, $matchResult);
for ($i = 0, $len = count($matchResult[1]); $i < $len; ++$i) {
saveImgURL($matchResult[1][$i], $matchResult[2][$i]);
}
}
}
function saveImgURL($name, $suffix) {
$url = $name . "." . $suffix;
echo "请求的图片地址:" . $url . "<br/>";
$imgSavePath = "E:/123/images/"; //图片保存地址
$imgId = mt_rand(); //产生一个随机的文件名
if ($suffix == "gif") {
//根据图片类型,放入不同的文件夹下面
$imgSavePath.= "emotion";
} else {
$imgSavePath.= "topic";
}
$imgSavePath.= ("/" . $imgId . "." . $suffix); //组装要保存的文件名
if (is_file($imgSavePath)) {
//判断文件名是否存在,存在则删除
unlink($imgSavePath);
echo "<p style='color:#f00;'>文件" . $imgSavePath . "已存在,将被删除</p>";
}
$imgFile = file_get_contents($url); //读取网络文件
$flag = file_put_contents($imgSavePath, $imgFile); //写入到本地
if ($flag) {
echo "<p>文件" . $imgSavePath . "保存成功</p>";
}
}
}
在 WordPress 中使用
在 WordPress 中,已经包含了这个类,WordPress 就使用 Snoopy 来下载文件来更新插件,其中用到的 Snoopy 类的代码为:
function download_url( $url ) {
if( ! $url )
return false;
$tmpfname = tempnam(get_temp_dir(), 'wpupdate'); //获取临时文件名
if( ! $tmpfname )
return false;
$handle = fopen($tmpfname, 'w'); //以写的方式打开临时文件
if( ! $handle )
return false;
require_once( ABSPATH . 'wp-includes/class-snoopy.php' ); //引入 Snoopy 类
$snoopy = new Snoopy();
$snoopy->fetch($url); //抓取指定的网页
fwrite($handle, $snoopy->results); //把抓取得内容写到 临时文件中
fclose($handle);
return $tmpfname;
}
如果你对这篇内容有疑问,欢迎到本站社区发帖提问 参与讨论,获取更多帮助,或者扫码二维码加入 Web 技术交流群。
绑定邮箱获取回复消息
由于您还没有绑定你的真实邮箱,如果其他用户或者作者回复了您的评论,将不能在第一时间通知您!
发布评论