• snoopy的使用


    Snoopy是什么?

    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。

    Snoopy的一些特点:

    1抓取网页的内容 fetch
    2 抓取网页的文本内容 (去除HTML标签) fetchtext
    3抓取网页的链接,表单 fetchlinks fetchform
    4 支持代理主机
    5支持基本的用户名/密码验证
    6 支持设置 user_agent, referer(来路), cookies 和 header content(头文件)
    7支持浏览器重定向,并能控制重定向深度
    8能把网页中的链接扩展成高质量的url(默认)
    9提交数据并且获取返回值
    10 支持跟踪HTML框架
    11支持重定向的时候传递cookies

    要求php4以上就可以了 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:
    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。

    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。

    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)。

    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。

    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。

    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。

    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

    以下是demo
    复制代码 代码如下:

    include "Snoopy.class.php";
    $snoopy = new Snoopy;
    $snoopy->proxy_host = "http://www.jb51.net";
    $snoopy->proxy_port = "80";
    $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
    $snoopy->referer = "http://www.jb51.net";
    $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.jb51.net")){
    echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE> ";
    }
    else
    echo "error fetching document: ".$snoopy->error." ";

    以下是一些代码片段:
    1、获取指定url内容
    复制代码 代码如下:

    <?
    $url = "http://www.jb51.net";
    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
    ?>


    2 表单提交
    复制代码 代码如下:

    <?php
    $formvars["username"] = "admin";
    $formvars["pwd"] = "admin";
    $action = "http://www.jb51.net";//</a>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

    3 伪装
    复制代码 代码如下:

    <?php
    $formvars["username"] = "admin";
    $formvars["pwd"] = "admin";
    $action = "http://www.jb51.net";
    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.jb51.net"; //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。

    4 有时我们可能需要伪造更多的东西,snoopy完全为我们想到了复制代码 代码如下:

    <?php
    $snoopy->proxy_host = "http://www.jb51.net";
    $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.jb51.net/images/taoav.gif">http://www.jb51.net/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
    ?>  

    具体使用请看下载文件中的说明。

    复制代码 代码如下:
    1)
    <?php
    include "Snoopy.class.php";  
    $snoopy = new Snoopy;  
    $snoopy->fetchform("http://www.phpx.com/happy/logging.php?action=login");  
    print $snoopy->results;
    ?>
    < ?php
    include "Snoopy.class.php";  
    $snoopy = new Snoopy;  
    $submit_url = "http://www.phpx.com/happy/logging.php?action=login";  

        $submit_vars["loginmode"] = "normal";  
        $submit_vars["styleid"] = "1";  
        $submit_vars["cookietime"] = "315360000";  
        $submit_vars["loginfield"] = "username";  
        $submit_vars["username"] = "********"; //你的用户名  
        $submit_vars["password"] = "*******";  //你的密码  
        $submit_vars["questionid"] = "0";  
        $submit_vars["answer"] = "";      
        $submit_vars["loginsubmit"] = "提   交";      
        $snoopy->submit($submit_url,$submit_vars);  
        print $snoopy->results;  

    ?>
    2)
    $snoopy->proxy_host = "www.codesky.net";
    $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.codesky.net/images/taoav.gif,这个地方其实可以在最后输出的时候用ereg_replace函数自己替换
    $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

    上面的基本用法了解了,下面我就实例演示一次:
    PHP代码
    复制代码 代码如下:

    <?
    //echo var_dump($_SERVER);
    include("Snoopy.class.php");
    $snoopy = new Snoopy;
    $snoopy->agent = "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-
    CN; rv:1.9.0.5) Gecko/2008120122 Firefox/3.0.5 FirePHP/0.2.1";//这项是浏览器信
    息,前面你用什么浏览器查看cookie,就用那个浏览器的信息(ps:$_SERVER可以查看到浏览器的信息)
    $snoopy->referer = "http://bbs.jb51.net/index.php";
    $snoopy->expandlinks = true;
    $snoopy->rawheaders["COOKIE"]="__utmz=17229162.1227682761.29.7.utmccn=(referral)|utmcsr=jb51.net|utmcct=/html/index.html|utmcmd=referral; cdbphpchina_smile=1D2D0D1; cdbphpchina_cookietime=2592000; __utma=233700831.1562900865.1227113506.1229613449.1231233266.16; __utmz=233700831.1231233266.16.8.utmccn=(referral)|utmcsr=localhost:8080|utmcct=/test3.php|utmcmd=referral; __utma=17229162.1877703507.1227113568.1231228465.1231233160.58; uchome_loginuser=sinopf; xscdb_cookietime=2592000; __utmc=17229162; __utmb=17229162; cdbphpchina_sid=EX5w1V; __utmc=233700831; cdbphpchina_visitedfid=17; cdbphpchinaO766uPYGK6OWZaYlvHSuzJIP22VpwEMGnPQAuWCFL9Fd6CHp2e%2FKw0x4bKz0N9lGk; xscdb_auth=8106rAyhKpQL49eMs%2FyhLBf3C6ClZ%2B2idSk4bExJwbQr%2BHSZrVKgqPOttHVr%2B6KLPg3DtWpTMUI4ttqNNVpukUj6ElM; cdbphpchina_onlineusernum=3721";
    $snoopy->fetch("http://bbs.jb51.net");
    $n=ereg_replace("href="","href="http://bbs.jb51.net/",$snoopy->results );
    echo ereg_replace("src="","src="http://bbs.jb51.net/",$n);
    ?>

    这是模拟登陆PHPCHINA论坛的过程,首先要查看自己浏览器的信息:echo var_dump($_SERVER);这句代码可以看到自己浏览器的信息,把$_SERVER['HTTP_USER_AGENT']后边的内容复制下来,粘在$snoopy->agent的地方,然后就是要查看自己的COOKIE了,用自己在论坛的账号登陆论坛后,在浏览器地址栏里输入
    javascript:document.write(document.cookie),回车,就可以看到自己的cookie信息,复制粘贴
    到$snoopy->rawheaders["COOKIE"]=的后边。(我的cookie信息为了安全起见已经删除了一段内容)

    然后再注意:

    # $n=ereg_replace("href="","href="http://bbs.jb51.net/",$snoopy->results );

    # echo ereg_replace("src="","src="http://bbs.jb51.net/",$n);

    这两句代码,因为采集到的内容所有的HTML源码地址都是相对链接,所以要替换成绝对链接,这样就可以引用论坛的图片和css样式了。

    snoopy 文件上传
    用snoony做上传操作还是比较好的,它封装了CURL,可以上传文件,取到header,cookies,访问页面,等操作。

    /**
    * 用POST上传文件
    * @param $serviceUrl
    * @param $Parameters
    * @param $file
    * @return unknown_type
    */
    private function snoopyUpload($serviceUrl,$Parameters,$file){
    $snoopy = new Snoopy;
    $Parameters["sip_sign"]=$this->getSign($Parameters);
    $postfiles["image"] = $file; //$filename上传文件相对路径 例如"upload/taoav.jpg";image/jpg
    $snoopy->_submit_type = "multipart/form-data"; //设定submit类型
    $snoopy->submit($serviceUrl,$Parameters,$postfiles);//$postforms,$postfiles为2中类型的值,其中$postfiles为上传文件数组
    $headers=$snoopy->headers;
    if(strstr($headers[3],"1004")){
    $loginurl=$snoopy->headers[5];
    $this->format="str";
    return trim(substr($loginurl,strpos($loginurl,":")+1,strlen($loginurl)));
    }
    $str=$snoopy->results;
    return $str;
    }


    使用 Snoopy 代理异步文件上传

     使用 formdata 结合 snoopy 做请求转发,实现非 form 形式,非 iframe 形式的异步文件上传功能。

    JS 代码:
    document.getElementById('#file').change = function (e) {
    var data = new FormData();

    //设置参数
    data.append('nick', '邦彦');
    data.append('session_id', '6fc373162b5e8a78a255777e0108a0b3');
    data.append('file', e.currentTarget.files[0]);

    }
    PHP 代码:

    <?php
    require('Snoopy.class.php');
    $action = 'http://localhost/upload.php';
    $snoopy = new Snoopy();
    $snoopy->_submit_type = 'multipart/form-data';
    $snoopy->submit($action, $_REQUEST, $_FILES);
    echo $snoopy->results;

    ?>

    使用snoopy提交数据实现登陆
    模拟登陆可以用curl或者socket来实现,当curl需要服务器相应的启用curl module,自己socket实现相对比较麻烦,使用snoopy就简单了很多啦。

    首先,我们要获取到登陆需要发送什么字段,目标地址是什么。这里我们使用snoopy的fetchform来实现。
    include "Snoopy.class.php";
    $snoopy = new Snoopy;
    $snoopy->fetchform("http://www.phpx.com/happy/logging.php?action=login");
    print $snoopy->results;
    当然你也可以直接查看http://www.phpx.com/happy/…的源代码来实现,不过这样更加方便把。这里,我们获取到目标和提交的数据,下一步就可以实现模拟登陆了。代码如下:
    include "Snoopy.class.php";
    $snoopy = new Snoopy;
    $submit_url = "http://www.phpx.com/happy/logging.php?action=login";
     
    $submit_vars["loginmode"] = "normal";
    $submit_vars["styleid"] = "1";
    $submit_vars["cookietime"] = "315360000";
    $submit_vars["loginfield"] = "username";
    $submit_vars["username"] = "********"; //你的用户名
    $submit_vars["password"] = "*******"; //你的密码
    $submit_vars["questionid"] = "0";
    $submit_vars["answer"] = "";
    $submit_vars["loginsubmit"] = "提   交";
    $snoopy->submit($submit_url,$submit_vars);
    print $snoopy->results;
    ^_^,是不是显示你已经登陆了?使用snoopy就是这么简单!

    snoopy采集phpchina示例
    <?php  
    //采集phpchina  
    set_time_limit(0);  
    require_once("Snoopy.class.php");  
    $snoopy=new Snoopy();  
    //登陆论坛  
    $submit_url = "http://www.phpchina.com/bbs/logging.php?action=login";  
    $submit_vars["loginmode"] = "normal";  
    $submit_vars["styleid"] = "1";  
    $submit_vars["cookietime"] = "315360000";  
    $submit_vars["loginfield"] = "username";  
    $submit_vars["username"] = "***"; //你的用户名  
    $submit_vars["password"] = "*****"; //你的密码  
    $submit_vars["questionid"] = "0";  
    $submit_vars["answer"] = "";  
    $submit_vars["loginsubmit"] = "提 交";  
    $snoopy->submit($submit_url,$submit_vars);  
    if ($snoopy->results){  
      //获取连接地址  
      $snoopy->fetchlinks("http://www.phpchina.com/bbs");  
      $url=array();  
      $url=$snoopy->results;  
      //print_r($url);  
      foreach ($url as $key=>$value)  {  
      //匹配http://www.phpchina.com/bbs/forumdisplay.php?fid=156&sid=VfcqTR地址即论坛板块地址  
      if (!preg_match("/^(http://www.phpchina.com/bbs/forumdisplay.php?fid=)[0-9]*&sid=[a-zA-Z]{6}/i",$value))    {  
      unset($url[$key]);  
      }  
      }  
      //print_r($url);  
      //获取到板块数组$url,循环访问,此处获取第一个模块第一页的数据  
      $i=0;  
      foreach ($url as $key=>$value)  {  
      if ($i>=1)    {  
      //测试限制  
      break;  
      }    else    {  
      //访问该模块,提取帖子的连接地址,正式访问里需要提取帖子分页的数据,然后根据分页数据提取帖子数据  
      $snoopy=new Snoopy();  
      $snoopy->fetchlinks($value);  
      $tie=array();  
      $tie[$i]=$snoopy->results;  
      //print_r($tie);  
      //转换数组  
      foreach ($tie[$i] as $key=>$value)    {  
      //匹配http://www.phpchina.com/bbs/viewthread.php?tid=68127&amp;extra=page%3D1&amp;page=1&sid=iBLZfK  
      if (!preg_match("/^(http://www.phpchina.com/bbs/viewthread.php?tid=)[0-9]*&amp;extra=page\%3D1&amp;page=[0-9]*&sid=[a-zA-Z]{6}/i",$value))    {  
      unset($tie[$i][$key]);  
      }  
      }  
      //print_r($tie[$i]);  
      //归类数组,将同一个帖子不同页面的内容放一个数组里  
      $left='';//连接左边公用地址  
      $j=0;  
      $page=array();  
      foreach ($tie[$i] as $key=>$value)    {  
      $left=substr($value,0,52);  
      $m=0;  
      foreach ($tie[$i] as $pkey=>$pvalue)    {  
      //重组数组  
      if (substr($pvalue,0,52)==$left)    {  
      $page[$j][$m]=$pvalue;  
      $m++;  
      }  
      }  
      $j++;  
      }  
      //去除重复项开始  
      //$page=array_unique($page);只能用于一维数组  
      $paget[0]=$page[0];  
      $nums=count($page);  
      for ($n=1;$n<$nums;$n++)   {  
      $paget[$n]=array_diff($page[$n],$page[$n-1]);  
      }  
      //去除多维数组重复值结束  
      //去除数组空值  
      unset($page);  
      $page=array();//重新定义page数组  
      $page=array_filter($paget);  
      //print_r($page);  
      $u=0;  
      $title=array();  
      $content=array();  
      $temp='';  
      $tt=array();  
      foreach ($page as $key=>$value)   {  
      //外围循环,针对一个帖子  
      if (is_array($value))    {  
      foreach ($value as $k1=>$v1)    {  
      //页内循环,针对一个帖子的N页  
      $snoopy=new Snoopy();  
      $snoopy->fetch($v1);  
      $temp=$snoopy->results;  
      //读取标题  
      if (!preg_match_all("/<h2>(.*)</h2>/i",$temp,$tt))    {  
      echo "no title";  
      exit;  
      }    else    {  
      $title[$u]=$tt[1][1];  
      }  
      unset($tt);  
      //读取内容  
      if (!preg_match_all("/<div id="postmessage_[0-9]{1,8}" class="t_msgfont">(.*)</div>/i",$temp,$tt))    {  
      print_r($tt);  
      echo "no content1";  
      exit;  
      }    else   {  
      foreach ($tt[1] as $c=>$c2)    {  
      $content[$u].=$c2;  
      }  
      }  
      }  
      }    else    {  
      //直接取页内容  
      $snoopy=new Snoopy();  
      $snoopy->fetch($value);  
      $temp=$snoopy->results;  
      //读取标题  
      if (!preg_match_all("/<h2>(.*)</h2>/i",$temp,$tt))   {  
      echo "no title";  
      exit;  
      }    else    {  
      $title[$u]=$tt[1][1];  
      }  
      unset($tt);  
      //读取内容  
      if (!preg_match_all("/<div id="postmessage_[0-9]*" class="t_msgfont">(.*)</div>/i",$temp,$tt)){  
      echo "no content2";  
      exit;  
      }    else    {  
      foreach ($tt[1] as $c=>$c2)    {  
      $content[$u].=$c2;  
      }  
      }  
      }  
      $u++;  
      }  
      print_r($content);  
      }  
      $i++;  
      }  
    }  else  {  
      echo "login failed";  
      exit;  
    }  
    ?>
  • 相关阅读:
    java中判断字符是否为英文字母、中文汉字或者数字
    JavaScript:多种定义数组的方式
    java位移运算符<<、>>、>>>
    安卓进阶:元注解Support Annotation Library使用详解
    正则:匹配引号内的字符串内容
    安卓:自定义字体
    安卓:Activity的自定义主题
    Pyhton学习——Day38
    测试用html
    Pyhton学习——Day37
  • 原文地址:https://www.cnblogs.com/wepe/p/7424654.html
Copyright © 2020-2023  润新知