PHPコレクションクラススヌーピーのサンプル紹介

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。

1. <?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
   ?>

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。

1. <?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
   ?>

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

1. 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";

指定された URL コンテンツ:

1. <?  
   $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
   ?>

フォームの送信:

1. <?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
   ?>

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:

1. <?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;

2. ?>

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：

1. <?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
   ?>

比较完整的示例：

1. /**
   * 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";  
   }

用Snoopy类完成一个简单的图片采集：

1. <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>";          
       }      
   }  
   ?>

相关推荐：

php使用snoopy与curl模拟登陆的实例分享

php数据抓取类Snoopy使用

snoopy（强大的PHP采集类） 详细介绍

以上がPHPコレクションクラススヌーピーのサンプル紹介の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。