PHP采集利器 Snoopy 试用心得

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的一些特色:
* 方便抓取网页的内容
* 方便抓取网页的文本内容 (去除HTML标签)
* 方便抓取网页的连接
* 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)
* 支持浏览器转向，并能控制转向深度
* 能把网页中的连接扩展成高质量的url(默认)
* 方便提交数据而且获取返回值
* 支持跟踪HTML框架(v0.92增长)
* 支持再转向的时候传递cookies (v0.92增长)
要想了解的更深刻些，你本身Google一下吧。下面就给几个简单的例子： 

1获取指定url内容

$url = "http://www.codesky.net"; 
include("snoopy.php"); 
$snoopy = new Snoopy; 
$snoopy->fetch($url); //获取全部内容 
echo $snoopy->results; //显示结果 
$snoopy->fetchtext //获取文本内容（去掉html代码） 
$snoopy->fetchlinks //获取连接 
$snoopy->fetchform //获取表单 

2 表单提交 

$formvars["username"] = "admin"; 
$formvars["pwd"] = "admin"; 
$action = "http://www.codesky.net";//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 
$snoopy->submittext; //提交后只返回 去除html的 文本 
$snoopy->submitlinks;//提交后只返回 连接 

既然已经提交的表单 那就能够作不少事情 接下来咱们来假装ip,假装浏览器
3 假装 

$formvars["username"] = "admin"; 
$formvars["pwd"] = "admin"; 
$action = "http://www.codesky.net"; 
include "snoopy.php"; 
$snoopy = new Snoopy; 
$snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7'; //假装sessionid 
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; //假装浏览器 
$snoopy->referer = "http://s.jb51.net"; //假装来源页地址 http_referer 
$snoopy->rawheaders["Pragma"] = "no-cache"; //cache 的http头信息 
$snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.101"; //假装ip 
$snoopy->submit($action,$formvars); 
echo $snoopy->results; 

原来咱们能够假装session 假装浏览器 ，假装ip， haha 能够作不少事情了。 

例如 带验证码，验证ip 投票， 能够不停的投。
ps:这里假装ip ，实际上是假装http头, 因此通常的经过 REMOTE_ADDR 获取的ip是假装不了，
反而那些经过http头来获取ip的(能够防止代理的那种) 就能够本身来制造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:因为是同一个sessionid 因此取得的验证码和第一次输入的是同样的。
4 有时咱们可能须要伪造更多的东西,snoopy彻底为咱们想到了

$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; //是否补全连接 在采集的时候常常用到 
// 例如连接为 /images/taoav.gif 可改成它的全连接 http://www.codesky.net/images/taoav.gif，这个地方其实能够在最后输出的时候用ereg_replace函数本身替换 
$snoopy->maxframes = 5 //容许的最大框架数 
//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： 

<? 
//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能够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); 
?> 

这是模拟登录PHPCHINA论坛的过程，首先要查看本身浏览器的信息：echo var_dump($_SERVER);这句代码能够看到本身浏览器的信息，把

$_SERVER['HTTP_USER_AGENT']后边的内容复制下来，粘在$snoopy->agent的地方，而后就是要查看本身的
COOKIE了，用本身在论坛的帐号登录论坛后，在浏览器地址栏里输入
javascript:document.write(document.cookie)，回车，就能够看到本身的cookie信息，复制粘贴
到$snoopy->rawheaders["COOKIE"]=的后边。（个人cookie信息为了安全起见已经删除了一段内容）

而后再注意：

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

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

这两句代码源码天空，由于采集到的内容全部的HTML源码地址都是相对连接，因此要替换成绝对连接，这样就能够引用论坛的图片和css样式了。 

Snoopy下载