PHP采集利器 Snoopy 试用心得

snoopy是什么? （下载snoopy）
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:
* 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)
* 方便抓取网页的链接
* 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
* 能把网页中的链接扩展成高质量的url(默认)
* 方便提交数据并且获取返回值
* 支持跟踪html框架(v0.92增加)
* 支持再转向的时候传递cookies (v0.92增加)
要想了解的更深入些，你自己google一下吧。下面就给几个简单的例子：
1获取指定url内容
php代码

$url = "//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
$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
php代码

$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "//www.jb51.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 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
php代码

$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "//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://s.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
php代码

$snoopy->proxy_host = "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 //www.jb51.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

<?
//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。