snoopy是一個php類，用來模仿web瀏覽器的功能，它能完成取得網頁內容和發送表單的任務。官方網站http://snoopy.sourceforge.net/
Snoopy的一些功能特點：
抓取網頁的內容fetch()
抓取網頁的文字內容(移除HTML標籤) fetchtext()
#抓取網頁的鏈接，表單fetchlinks() fetchform()
#支援代理主機
支援基本的使用者名稱/密碼驗證
支援設定user_agent, referer(來路), cookies 和header content(頭檔)
支援瀏覽器重定向，並且能控制重定向深度
可以將網頁中的連結擴展成高品質的url(預設)
提交資料並且取得返回值
支援追蹤HTML框架
支援重定向的時候傳遞cookies
要求php4以上就可以。由於本身是php一個類，無需擴充支持，伺服器不支援curl時候的最好選擇。
1. fetch($uri)
這是為了抓取網頁的內容而使用的方法。 $URI參數是被抓取網頁的URL位址。抓取的結果儲存在 $this->results 中。
如果你正在抓取的是一個框架，Snoopy會將每個框架追蹤後存入數組中，然後存入 $this->results。
<?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)
本方法類似fetch()，唯一不同的就是本方法會移除HTML標籤和其他的無關數據，只返回網頁中的文字內容。
<?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)
本方法類似fetch()，唯一不同的就是本方法會移除HTML標籤和其他的無關數據，只返回網頁中表單內容(form)。
4. fetchlinks($URI)
本方法類似fetch()，唯一不同的就是本方法會移除HTML標籤和其他的無關數據，只返回網頁中連結(link )。預設情況下，相對連結將自動補全，轉換成完整的URL。
5. submit($URI,$formvars)
本方法傳送確認表單給$URL指定的連結位址。 $formvars是一個儲存表單參數的陣列。
6. submittext($URI,$formvars)
本方法類似submit()，唯一不同的就是本方法會移除HTML標籤和其他的無關數據，只回傳登陸後網頁中的文字內容。
7. submitlinks($URI)
本方法類似於submit()，唯一不同的就是本方法會移除HTML標籤和其他的無關數據，只返回網頁中連結(link )。預設情況下，相對連結將自動補全，轉換成完整的URL。
類別屬性(預設值在括號裡)
$host 連接的主機
$port 連接的端口
$proxy_host 使用的代理主機，如果有的話
#$proxy_port 使用的代理主機端口，如果有的話
$agent 使用者代理程式偽裝(Snoopy v0.1)
#$referer 來路訊息，如果有的話
#$cookies cookies， 如果有的話
$rawheaders 其他的頭資訊, 如果有的話
$maxredirs 最大重定向次數， 0=不允許(5)
$offsiteok whether or not to allow redirects off-site. (true)
# $expandlinks 是否將連結都補全為完整位址(true)
$user 認證使用者名稱, 如果有的話
$pass認證使用者名稱, 如果有的話
$accept http 接受類型(image/gif, image/x-xbitmap, image/jpeg, image/pjpeg, */*)
$error 哪裡報錯, 如果有的話
#$response_code 從伺服器回傳的回應代碼
$headers 從伺服器傳回的頭資訊
$maxlength 最長回傳資料長度
$read_timeout 讀取操作逾時(requires PHP 4 Beta 4+)，設定為0為沒有逾時
$timed_out 如果一次讀取操作逾時了，本屬性回傳true (requires PHP 4 Beta 4+)
#$maxframes 允許追蹤的框架最大數量
$status 抓取的http的狀態
$temp_dir 網頁伺服器能夠寫入的暫存檔案目錄(/tmp)
$curl_path cURL binary 的目錄, 如果沒有cURL binary就設定為false
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";取得指定url內容：
<?
$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
?>表單提交：
<?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 ?>
既然已經提交的表單，那就可以做很多事情。接下來我們來偽裝ip，偽裝瀏覽器：
<?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.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：
/**
* 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.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($imgSavePath);
echo "<p style='color:#f00;'>文件".$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>";
}
}
?>相关推荐：
以上是PHP採集類別snoopy實例介紹的詳細內容。更多資訊請關注PHP中文網其他相關文章！
