php抓取网页snoopy(PHP官网：特点Snoopy正确运行需要你的服务器(组图) )

　　php抓取网页snoopy(PHP官网：特点Snoopy正确运行需要你的服务器(组图)

)

　　snoopy是一类PHP。它可用于模仿Web浏览器的功能，可以完成获取Web内容并发送表单的任务。官方网站：

　　功能

　　snoopy运行服务器的PHP版本，需要在4个或更多中正确运行，并支持PCRE（Perl兼容的正则表达式），基本灯泡服务支持。

　　方法功能

　　提供以下界面或方法：

　　获取（$ uri）

　　此方法是捕获网页的内容，$ URI是捕获网页的URL，结果存储在$ this-和gt;结果。如果捕获框架，将捕获此帧，结果保存到数组。

　　$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）

　　此方法和fetch（）大致相同，但其结果是文本，删除HTML标签和其他不相关信息。

　　$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）

　　此方法仅返回抓取网页。

　　fetchlinks（$ uri）

　　此方法仅返回抓取网页上的链接，默认返回的链接是收录域名的链接。

　　提交（$ uri，$ formvars）

　　此方法将表单提交给指定的$ URI。 $ formvars是一个形式变量的数组来传递。

　　submittext（$ uri，$ formvars）

　　此方法并提交（）基本一致，但它返回文本，删除HTML标记和其他不相关的数据。

　　submitlinks（$ uri）

　　此方法返回链接。

　　类属性

　　以下是Snoopy属性，默认值为括号。

　　简单的例子

　　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 "".htmlspecialchars($snoopy->results)."

　　n“;} else {echo”错误获取文档：“$ snoopy-＆gt;错误。” n“;}

　　获取指定的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SAO操作

　　由于已经提交的表格，您可以做很多。接下来我们来伪装IP，迷彩浏览器：

　　$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;

　　我们可以为会话做饭，迷彩浏览器，伪装IP，你可以做很多。例如：使用验证码，验证IP，投票，无法停止。

　　此处IP实际上是伪装HTTP标题，因此Remote_Addr获取的IP是伪装，而是可以通过HTTP标头（可以阻止代理）的人创建IP。

　　关于如何验证代码，简单：首先使用正常的浏览器，查看页面，找到对应验证码的会话方式，并记下SessionID和验证码值，然后使用Snoopy伪造。

　　原理：由于相同的SessionID与验证码相同，并且第一个输入是相同的。

　　有时我们可能需要更多的东西，史努比想到我们：

　　$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

//

// https://www.wenjiangs.com/wp-content/themes/wtheme/images/banner2.jpg

//

$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."n";

// print the headers:

print "<b>Headers:

";

while(list($key,$val) = each($snoopy->headers)){

print $key.": ".$val."

n";

}

print "

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类采集：

　　完成一个简单的图片

　　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 = "/(http: //[^/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 . "

";

$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";

}

$imgFile = file_get_contents($url); //读取网络文件

$flag = file_put_contents($imgSavePath, $imgFile); //写入到本地

if ($flag) {

echo "

　　文件" . $imgSavePath . "保存成功";

}

}

}</p>

　　使用

　　在WordPress

　　中

　　在WordPress中，此类已收录此类。 WordPress使用Snoopy下载文件以更新插件，其中Snoopy类使用的代码为：

　　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;

}