PHP采集类snoopy详细介绍(snoopy使用教程)

2024-04-11 01:45:03 26

Snoopy是一个php类，用来模拟浏览器的功能，可以获取网页内容，发送表单，可以用来开发一些采集程序和小偷程序，本文章详细介绍snoopy的使用教程。

Snoopy的一些特点:
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fetchlinksfetchform
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headercontent(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以上就可以了由于本身是php一个类无需扩支持服务器不支持curl时候的最好选择，

Snoopy类方法及示例：

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。

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。

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)。

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。

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。

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。

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。

Snoopy采集类属性:(默认值在括号里)

$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(Snoopyv0.1)
$referer来路信息，如果有的话
$cookiescookies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)
$offsiteokwhetherornottoallowredirectsoff-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
$accepthttp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(requiresPHP4Beta4+)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(requiresPHP4Beta4+)
$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_pathcURLbinary的目录,如果没有cURLbinary就设置为false

下面是一个示例：


include"Snoopy.class.php";

 $snoopy=newSnoopy;

 

 $snoopy->proxy_host="https://www.nhooo.com";

 $snoopy->proxy_port="80";

 

 $snoopy->agent="(compatible;MSIE4.01;MSN2.5;AOL4.0;Windows98)";

 $snoopy->referer="https://www.nhooo.com";

 

 $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("https://www.nhooo.com"))

 {

 echo"<PRE>".htmlspecialchars($snoopy->results)."</PRE>\n";

 }

 else

 echo"errorfetchingdocument:".$snoopy->error."\n";

获取指定url内容

<?php

 $url="https://www.nhooo.com";

 include("snoopy.php");

 $snoopy=newSnoopy;

 $snoopy->fetch($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

<?php

$formvars["username"]="admin";

$formvars["pwd"]="admin";

$action="https://www.nhooo.com";//</a>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

?>

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

伪装浏览器

<?php

$formvars["username"]="lanfengye";

$formvars["pwd"]="lanfengye";

$action="https://www.nhooo.com";

include"snoopy.php";

$snoopy=newSnoopy;

$snoopy->cookies["PHPSESSID"]='fc106b1918bd522cc863f36890e6fff7';//伪装sessionid

$snoopy->agent="(compatible;MSIE4.01;MSN2.5;AOL4.0;Windows98)";//伪装浏览器

$snoopy->referer="https://www.nhooo.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"]="127.0.0.101";//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，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

<?php
$snoopy->proxy_host="https://www.nhooo.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<ahref="https://www.nhooo.com/images/taoav.gif">https://www.nhooo.com/images/taoav.gif</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
?>

PHP采集类snoopy详细介绍(snoopy使用教程)

热门推荐

随机推荐