PHP抓取采集类snoopy介绍

snoopy是一个php类，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。官方网站 http://snoopy.sourceforge.net/

Snoopy的一些功能特点：

• 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 fetchlinks() fetchform()
• 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 header content(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。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。

类方法

1. 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。

<?php
$url = "http://www.bkjia.com/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)

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。

<?php
$url = "http://www.bkjia.com/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)

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)。

4. 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。

5. 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。

6. 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。

7. 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。

类属性 (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

Demo

include "Snoopy.class.php";
$snoopy = new Snoopy;

$snoopy->proxy_host = "http://www.bkjia.com/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";

获取指定url内容：

<?
$url = "http://www.bkjia.com/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
?>

表单提交：

<?php
$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://www.bkjia.com/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
?>

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：

<?php
$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://www.4wei.cn";
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 = 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;
?>

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.bkjia.com/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 http://www.4wei.cn/images/taoav.gif
$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";
}

用Snoopy类完成一个简单的图片采集：

<meta http-equiv='content-type' content='text/html;charset=utf-8'>
<?php
include 'Snoopy.class.php';   //加载Snoopy类
$snoopy = new Snoopy();       //实例化一个对象
$sourceURL = "http://www.bkjia.com/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
    $reTag = "/<img  src="/static/imghw/default1.png"  data-src="(http://[^"  class="lazy" [^s]+]+).(jpg|png|gif|jpeg)"[^/]*/ alt="PHP抓取采集类snoopy介绍" >/i";
    if (preg_match($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>";
    }
}
?>