PHP採集利器 Snoopy 試用心得

Snoopy是什麼?
Snoopy是一個php類，用來模仿web瀏覽器的功能，它能完成獲取網頁內容和發送表單的任務。
Snoopy的一些特色:
* 方便抓取網頁的內容
* 方便抓取網頁的文本內容 (去除HTML標籤)
* 方便抓取網頁的連接
* 支持代理主機
* 支持基本的用戶名/密碼驗證
* 支持設置 user_agent, referer(來路), cookies 和 header content(頭文件)
* 支持瀏覽器轉向，並能控制轉向深度
* 能把網頁中的連接擴展成高質量的url(默認)
* 方便提交數據而且獲取返回值
* 支持跟蹤HTML框架(v0.92增長)
* 支持再轉向的時候傳遞cookies (v0.92增長)
要想了解的更深刻些，你本身Google一下吧。下面就給幾個簡單的例子： 

1獲取指定url內容

$url = "http://www.codesky.net"; 
include("snoopy.php"); 
$snoopy = new Snoopy; 
$snoopy->fetch($url); //獲取全部內容 
echo $snoopy->results; //顯示結果 
$snoopy->fetchtext //獲取文本內容（去掉html代碼） 
$snoopy->fetchlinks //獲取連接 
$snoopy->fetchform //獲取表單 

2 表單提交 

$formvars["username"] = "admin"; 
$formvars["pwd"] = "admin"; 
$action = "http://www.codesky.net";//表單提交地址 
$snoopy->submit($action,$formvars);//$formvars爲提交的數組 
echo $snoopy->results; //獲取表單提交後的 返回的結果 
$snoopy->submittext; //提交後只返回 去除html的 文本 
$snoopy->submitlinks;//提交後只返回 連接 

既然已經提交的表單 那就能夠作不少事情 接下來咱們來假裝ip,假裝瀏覽器
3 假裝 

$formvars["username"] = "admin"; 
$formvars["pwd"] = "admin"; 
$action = "http://www.codesky.net"; 
include "snoopy.php"; 
$snoopy = new Snoopy; 
$snoopy->cookies["PHPSESSID"] = 'fc106b1918bd522cc863f36890e6fff7'; //假裝sessionid 
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; //假裝瀏覽器 
$snoopy->referer = "http://s.jb51.net"; //假裝來源頁地址 http_referer 
$snoopy->rawheaders["Pragma"] = "no-cache"; //cache 的http頭信息 
$snoopy->rawheaders["X_FORWARDED_FOR"] = "127.0.0.101"; //假裝ip 
$snoopy->submit($action,$formvars); 
echo $snoopy->results; 

原來咱們能夠假裝session 假裝瀏覽器 ，假裝ip， haha 能夠作不少事情了。 

例如 帶驗證碼，驗證ip 投票， 能夠不停的投。
ps:這裏假裝ip ，實際上是假裝http頭, 因此通常的經過 REMOTE_ADDR 獲取的ip是假裝不了，
反而那些經過http頭來獲取ip的(能夠防止代理的那種) 就能夠本身來製造ip。
關於如何驗證碼 ，簡單說下：
首先用普通的瀏覽器， 查看頁面 ， 找到驗證碼所對應的sessionid，
同時記下sessionid和驗證碼值，
接下來就用snoopy去僞造 。

原理:因爲是同一個sessionid 因此取得的驗證碼和第一次輸入的是同樣的。
4 有時咱們可能須要僞造更多的東西,snoopy徹底爲咱們想到了

$snoopy->proxy_host = "www.codesky.net"; 
$snoopy->proxy_port = "8080"; //使用代理 
$snoopy->maxredirs = 2; //重定向次數 
$snoopy->expandlinks = true; //是否補全連接 在採集的時候常常用到 
// 例如連接爲 /images/taoav.gif 可改成它的全連接 http://www.codesky.net/images/taoav.gif，這個地方其實能夠在最後輸出的時候用ereg_replace函數本身替換 
$snoopy->maxframes = 5 //容許的最大框架數 
//注意抓取框架的時候 $snoopy->results 返回的是一個數組 
$snoopy->error //返回報錯信息 

上面的基本用法瞭解了，下面我就實例演示一次： 

<? 
//echo var_dump($_SERVER); 
include("Snoopy.class.php"); 
$snoopy = new Snoopy; 
$snoopy->agent = "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh- 
CN; rv:1.9.0.5) Gecko/2008120122 Firefox/3.0.5 FirePHP/0.2.1";//這項是瀏覽器信 
息，前面你用什麼瀏覽器查看cookie，就用那個瀏覽器的信息(ps:$_SERVER能夠查看到瀏覽器的信息) 
$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); 
?> 

這是模擬登錄PHPCHINA論壇的過程，首先要查看本身瀏覽器的信息：echo var_dump($_SERVER);這句代碼能夠看到本身瀏覽器的信息，把

$_SERVER['HTTP_USER_AGENT']後邊的內容複製下來，粘在$snoopy->agent的地方，而後就是要查看本身的
COOKIE了，用本身在論壇的帳號登錄論壇後，在瀏覽器地址欄裏輸入
javascript:document.write(document.cookie)，回車，就能夠看到本身的cookie信息，複製粘貼
到$snoopy->rawheaders["COOKIE"]=的後邊。（個人cookie信息爲了安全起見已經刪除了一段內容）

而後再注意：

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

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

這兩句代碼源碼天空，由於採集到的內容全部的HTML源碼地址都是相對連接，因此要替換成絕對連接，這樣就能夠引用論壇的圖片和css樣式了。 

Snoopy下載