Snoopy 模仿 Web 浏览器的功能网络请求 PHP 类

发布于 2020-04-16 23:16:45 字数 10067 浏览 1521 评论 0

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。

扫码二维码加入Web技术交流群

发布评论

需要 登录 才能够评论, 你可以免费 注册 一个本站的账号。
列表为空,暂无数据

关于作者

JSmiles

生命进入颠沛而奔忙的本质状态,并将以不断告别和相遇的陈旧方式继续下去。

0 文章
0 评论
84961 人气
更多

推荐作者

娇女薄笑

文章 0 评论 0

biaggi

文章 0 评论 0

xiaolangfanhua

文章 0 评论 0

rivulet

文章 0 评论 0

我三岁

文章 0 评论 0

薆情海

文章 0 评论 0

    我们使用 Cookies 和其他技术来定制您的体验包括您的登录状态等。通过阅读我们的 隐私政策 了解更多相关信息。 单击 接受 或继续使用网站,即表示您同意使用 Cookies 和您的相关数据。
    原文