zoukankan      html  css  js  c++  java

  • PHP抓取采集类snoopy介绍

    PHP抓取采集类snoopy介绍

     一个PHP的抓取方案

    在 2011年07月04日 那天写的     已经有 10270 次阅读了
    感谢 参考或原文
     
    服务器君一共花费了14.288 ms进行了2次数据库查询，努力地为您提供了这个页面。
    试试阅读模式？希望听取您的建议  
     

    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。

    1 <?php
    2 $url = "http://www.nowamagic.net/librarys/veda/";
    3 include("./Snoopy.class.php");
    4  
    5 $snoopy = new Snoopy;
    6 $snoopy->fetch($url);        //获取所有内容
    7 echo $snoopy->results;       //显示结果
    8 ?>

    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。

    1 <?php
    2 $url = "http://www.nowamagic.net/librarys/veda/";
    3 include("./Snoopy.class.php");
    4  
    5 $snoopy = new Snoopy;
    6 $snoopy->fetchtext($url);        //获取文本内容
    7 echo $snoopy->results;       //显示结果
    8 ?>

    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)。

    1  

    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。

    1  

    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。

    1  

    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。

    1  

    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。

    1  

    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

    01 include "Snoopy.class.php";
    02 $snoopy = new Snoopy;
    03  
    04 $snoopy->proxy_host = "http://www.nowamagic.net/librarys/veda/";
    05 $snoopy->proxy_port = "80";
    06  
    07 $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
    08 $snoopy->referer = "http://www.4wei.cn";
    09  
    10 $snoopy->cookies["SessionID"] = 238472834723489l;
    11 $snoopy->cookies["favoriteColor"] = "RED";
    12  
    13 $snoopy->rawheaders["Pragma"] = "no-cache";
    14  
    15 $snoopy->maxredirs = 2;
    16 $snoopy->offsiteok = false;
    17 $snoopy->expandlinks = false;
    18  
    19 $snoopy->user = "joe";
    20 $snoopy->pass = "bloe";
    21  
    22 if($snoopy->fetchtext("http://www.4wei.cn"))
    23 {
    24 echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>n";
    25 }
    26 else
    27 echo "error fetching document: ".$snoopy->error."n";

    获取指定url内容：

    01 <?
    02 $url = "http://www.nowamagic.net/librarys/veda/";
    03 include("snoopy.php");
    04 $snoopy = new Snoopy;
    05 $snoopy->fetch($url); //获取所有内容
    06 echo $snoopy->results; //显示结果
    07 //可选以下
    08 //$snoopy->fetchtext //获取文本内容（去掉html代码）
    09 //$snoopy->fetchlinks //获取链接
    10 //$snoopy->fetchform  //获取表单
    11 ?>

    表单提交：

    01 <?php
    02 $formvars["username"] = "admin";
    03 $formvars["pwd"] = "admin";
    04 $action = "http://www.nowamagic.net/librarys/veda/";//表单提交地址
    05 $snoopy->submit($action,$formvars);//$formvars为提交的数组
    06 echo $snoopy->results; //获取表单提交后的 返回的结果
    07 //可选以下
    08 $snoopy->submittext; //提交后只返回 去除html的 文本
    09 $snoopy->submitlinks;//提交后只返回 链接
    10 ?>

    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：

    01 <?php
    02 $formvars["username"] = "admin";
    03 $formvars["pwd"] = "admin";
    04 $action = "http://www.4wei.cn";
    05 include "snoopy.php";
    06 $snoopy = new Snoopy;
    07 $snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7'; //伪装sessionid
    08 $snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";//伪装浏览器
    09 $snoopy->referer = http://www.4wei.cn; //伪装来源页地址 http_referer
    10 $snoopy->rawheaders["Pragma"] = "no-cache"; //cache 的http头信息
    11 $snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.101"; //伪装ip
    12 $snoopy->submit($action,$formvars);
    13 echo $snoopy->results;
    14 ?>

    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：

    01 <?php
    02 $snoopy->proxy_host = "http://www.nowamagic.net/librarys/veda/";
    03 $snoopy->proxy_port = "8080"; //使用代理
    04 $snoopy->maxredirs = 2; //重定向次数
    05 $snoopy->expandlinks = true; //是否补全链接 在采集的时候经常用到
    06 // 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>
    07 $snoopy->maxframes = 5 //允许的最大框架数
    08 //注意抓取框架的时候 $snoopy->results 返回的是一个数组
    09 $snoopy->error //返回报错信息
    10 ?>

    比较完整的示例：

    01 /**
    02 * You need the snoopy.class.php from
    03 * http://snoopy.sourceforge.net/
    04 */
    05 include("snoopy.class.php");
    06   
    07 $snoopy = new Snoopy;
    08 // need an proxy?:
    09 //$snoopy->proxy_host = "my.proxy.host";
    10 //$snoopy->proxy_port = "8080";
    11   
    12 // set browser and referer:
    13 $snoopy->agent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)";
    14 $snoopy->referer = "http://www.jonasjohn.de/";
    15   
    16 // set some cookies:
    17 $snoopy->cookies["SessionID"] = '238472834723489';
    18 $snoopy->cookies["favoriteColor"] = "blue";
    19   
    20 // set an raw-header:
    21 $snoopy->rawheaders["Pragma"] = "no-cache";
    22   
    23 // set some internal variables:
    24 $snoopy->maxredirs = 2;
    25 $snoopy->offsiteok = false;
    26 $snoopy->expandlinks = false;
    27   
    28 // set username and password (optional)
    29 //$snoopy->user = "joe";
    30 //$snoopy->pass = "bloe";
    31   
    32 // fetch the text of the website www.google.com:
    33 if($snoopy->fetchtext("http://www.google.com")){
    34     // other methods: fetch, fetchform, fetchlinks, submittext and submitlinks
    35   
    36     // response code:
    37     print "response code: ".$snoopy->response_code."<br/>n";
    38   
    39     // print the headers:
    40   
    41     print "<b>Headers:</b><br/>";
    42     while(list($key,$val) = each($snoopy->headers)){
    43         print $key.": ".$val."<br/>n";
    44     }
    45   
    46     print "<br/>n";
    47   
    48     // print the texts of the website:
    49     print htmlspecialchars($snoopy->results)."n";
    50 }
    51 else {
    52     print "Snoopy: error while fetching document: ".$snoopy->error."n";
    53 }

    用Snoopy类完成一个简单的图片采集：
  • 相关阅读:
    甲醛(Formaldehyde)
    Node Embedding
    受限玻尔兹曼机（RBM, Restricted Boltzmann machines）和深度信念网络（DBN, Deep Belief Networks）
    长尾分布，重尾分布(Heavy-tailed Distribution)
    SVD分解与数据压缩
    Batch Normailzation
    Attention Mechanism
    新装的Ubuntu在Nvidia显卡上分辨率不对
    人工神经网络(Artificial Neural Network)
    Xdebug+phpstorm配置
  • 原文地址：https://www.cnblogs.com/u0mo5/p/4846824.html
Copyright © 2011-2022 走看看