PHPコレクションクラススヌーピーのサンプル紹介-PHPチュートリアル-php.cn

Snoopy は、Web ブラウザーの機能を模倣するために使用される php クラスで、Web コンテンツの取得とフォームの送信のタスクを完了できます。公式ウェブサイト http://snoopy.sourceforge.net/

スヌーピーのいくつかの機能:

Web ページのコンテンツを取得する fetch()
Web ページのテキストコンテンツをキャプチャする (HTML タグを削除する) fetchtext()
Web リンクのキャッチ、fetchlinks() のフォーム fetchform()
プロキシホストのサポート
基本的なユーザー名/パスワード検証のサポート
user_agent、リファラー (ソース)、Cookie の設定のサポートヘッダーコンテンツ (ヘッダーファイル)
ブラウザのリダイレクトをサポートし、リダイレクトの深さを制御できます
Webページ内のリンクを高品質のURLに拡張できます(デフォルト)
データを送信して戻り値を取得します
トラッキングHTMLフレームワークをサポート
リダイレクト時のCookieの受け渡しをサポート

php4以降が必要です。 PHP クラスであるため、サポートを拡張する必要はありません。サーバーがcurlをサポートしていない場合に最適です。

クラスメソッド

1. fetch($uri)

これは、Webページのコンテンツを取得するために使用されるメソッドです。 $URI パラメータは、クロールされた Web ページの URL アドレスです。取得した結果は $this->results に保存されます。

フレームをスクレイピングしている場合、スヌーピーは各フレームを追跡して配列に保存し、$this->results に保存します。

<?php  
$url = "http://www.nowamagic.net/librarys/veda/";  
include("./Snoopy.class.php");  
$snoopy = new Snoopy;  
$snoopy->fetch($url);        //获取所有内容
echo $snoopy->results;       //显示结果
?>

ログイン後にコピー

2. fetchtext($URI)

このメソッドは fetch() に似ていますが、唯一の違いは、このメソッドが HTML タグとその他の無関係なデータを削除し、Web 内のテキストコンテンツのみを返すことです。ページ。

<?php  
$url = "http://www.nowamagic.net/librarys/veda/";  
include("./Snoopy.class.php");  
$snoopy = new Snoopy;  
$snoopy->fetchtext($url);        //获取文本内容
echo $snoopy->results;       //显示结果
?>

ログイン後にコピー

3. fetchform($URI)

このメソッドは fetch() に似ていますが、唯一の違いは、このメソッドは HTML タグとその他の無関係なデータを削除し、フォームのコンテンツ (form) のみを返すことです。ウェブページで。

4. fetchlinks($URI)

このメソッドは fetch() に似ていますが、唯一の違いは、このメソッドが HTML タグとその他の無関係なデータを削除し、Web ページ内のリンクのみを返すことです。デフォルトでは、相対リンクは自動的に完成され、完全な URL に変換されます。

5. submit($URI,$formvars)

このメソッドは、$URL で指定されたリンクアドレスに確認フォームを送信します。 $formvars はフォームパラメータを格納する配列です。

6. submittext($URI,$formvars)

このメソッドは submit() と似ていますが、唯一の違いは、このメソッドは HTML タグとその他の無関係なデータを削除し、その後 Web ページ内のテキストコンテンツのみを返すことです。ログイン。

7. submitlinks($URI)

このメソッドは submit() と似ていますが、唯一の違いは、このメソッドが HTML タグとその他の無関係なデータを削除し、Web ページ内のリンクのみを返すことです。デフォルトでは、相対リンクは自動的に完成され、完全な URL に変換されます。

クラス属性 (デフォルト値は括弧内)

$host 接続するホスト
$port 接続するポート
$proxy_host 使用するプロキシホスト (存在する場合)
$ proxy_port 使用されるプロキシホストポート (存在する場合)
$agent ユーザーエージェントカモフラージュ (Snoopy v0.1)
$リファラーソース情報 (存在する場合)
$cookies クッキー (存在する場合) If
$rawheaders 他のヘッダー情報 (存在する場合)
$maxredirs リダイレクトの最大数、0=許可されない (5)
$offsiteok オフサイトへのリダイレクトを許可するかどうか (true)
$expandlinks 完全なアドレスへのすべてのリンクを完了するかどうか (true)
$user 認証ユーザー名 (存在する場合)
$pass 認証ユーザー名 (存在する場合)
$accept http accept type ( image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
$error エラーがある場合、どこに報告するか
$ response_code サーバーから返された応答コード
$headers サーバーから返されるヘッダー情報
$maxlength 返されるデータの最大長
$read_timeout 読み取り操作のタイムアウト (PHP 4 Beta 4+ が必要)、設定 0 はタイムアウトなしを意味します
$timed_out読み取り操作がタイムアウトすると、この属性は true を返します (PHP 4 Beta 4+ が必要)
$maxframes 追跡できるフレームの最大数
$status Catch http ステータスを取得します
$temp_dir Web サーバーが書き込むことができる一時ファイルディレクトリ (/tmp)
$curl_path cURL バイナリディレクトリ。cURL バイナリがない場合は false に設定します

Demo

include "Snoopy.class.php";  
$snoopy = new Snoopy;  
$snoopy->proxy_host = "http://www.nowamagic.net/librarys/veda/";  
$snoopy->proxy_port = "80";  
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";  
$snoopy->referer = "http://www.4wei.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.4wei.cn"))  
{  
echo "<PRE>".htmlspecialchars($snoopy->results)."

n"; } else echo "error fetching document: ".$snoopy->error."n";

ログイン後にコピー

指定された URL コンテンツ:

<?  
$url = "http://www.nowamagic.net/librarys/veda/";  
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
?>

ログイン後にコピー

フォームの送信:

<?php  
$formvars["username"] = "admin";  
$formvars["pwd"] = "admin";  
$action = "http://www.nowamagic.net/librarys/veda/";//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
?>

ログイン後にコピー

フォームが送信されたので、さまざまなことができるようになります。次に、IP とブラウザを偽装しましょう:

<?php  
$formvars["username"] = "admin";  
$formvars["pwd"] = "admin";  
$action = "http://www.4wei.cn";  
include "snoopy.php";  
$snoopy = new Snoopy;  
$snoopy->cookies["PHPSESSID"] = &#39;fc106b1918bd522cc863f36890e6fff7&#39;; //伪装sessionid
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; //伪装浏览器
$snoopy->referer = http://www.4wei.cn; //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;

ログイン後にコピー

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 = "http://www.nowamagic.net/librarys/veda/";  
$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="http://www.4wei.cn/images/taoav.gif">http://www.4wei.cn/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
?>

ログイン後にコピー

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"] = &#39;238472834723489&#39;;  
$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";  
}

ログイン後にコピー

用Snoopy类完成一个简单的图片采集：

<meta http-equiv=&#39;content-type&#39; content=&#39;text/html;charset=utf-8&#39;>  
<?php      
include &#39;Snoopy.class.php&#39;;   //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($imgSavePath);              
        echo "<p style=&#39;color:#f00;&#39;>文件".$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>";          
    }      
}  
?>

ログイン後にコピー