最新消息:

PHP类第7款:snoopy.class.php采集模拟登录类

PHP模块 杨红伟 5414浏览 0评论

一、类介绍

谈到它的时候,我不得不说它的强大。为什么这么说呢?我们举个最常用的例子-模拟登录(当然它的功能不仅仅只有这一个而已)。

首先有一个网页,然后我们引用它过滤一些内容,得到我们想要的所有表单内容,然后得到登录参数,然后提交,这样我们就模拟登录了。

那么登录之后,我们还可以通过它的属性伪装cookie、agent、IP等等信息来进行定时发布,例如留言等等……

二、类的下载

类的官方下载地址  http://sourceforge.net/projects/snoopy/

类的本站下载地址  http://www.ijquery.cn/phpclass/snoopy/Snoopy-2.0.0.tar.gz.zip

类的作者  Monte Ohrt <monte@ispi.net>

类的版本  V2.0

三、类的特性

闲言少续,书归正传,我们先了解一下它的特性,掌握它的特性,对于我们了解它有很大的帮助!

1、方便抓取网页的内容 fetch
2、方便抓取网页的文字(去掉HTML代码)fetchtext
3、方便抓取网页的链接 fetchlinks
4、支持代理主机 
5、支持基本的用户/密码认证模式 
6、支持自定义用户agent,referer,cookies和header内容
7、支持浏览器转向,并能控制转向深度
8、能把网页中的链接扩展成高质量的url(默认)
9、方便提交数据并且获取返回值
10、支持跟踪HTML框架(v0.92增加)
11、支持再转向的时候传递cookies

四、类的方法

fetch($URI)
抓取网页的内容而使用的方法。$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($URI,$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。

五、类的属性(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,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

六、类的使用方法

下边的实例都是从本站 www.ijquery.cn 来做实例的,以方便大家理解。但用到模拟登录时,大家还是自己下载一些示例去演示吧,不要拿我的站来玩了,呵呵……

1、fetch 抓取网页内容 ,示例 http://www.ijquery.cn/phpclass/snoopy/fetch.php

源代码如下:

<?php
header("Content-type: text/html; charset=utf-8"); 
include_once 'Snoopy.class.php';
$snoopy = new Snoopy();
$snoopy ->fetch('http://www.ijquery.cn');
echo $snoopy->results;

最终的结果如图:

很明显,我们获取的内容就是网页的内容

2、fetchtext 获取网页所有文字内容,示例  http://www.ijquery.cn/phpclass/snoopy/fetchtext.php

源代码如下:

<?php
header("Content-type: text/html; charset=utf-8"); 
include_once 'Snoopy.class.php';
$snoopy = new Snoopy();
$snoopy ->fetchtext('http://www.ijquery.cn');
echo $snoopy->results;

最终的结果如图:

想得到什么文章内容呢?一目了然,全是文字,你如果仅仅想查网页的内容,这是一个非常棒的方法!

3、fetchform 获取网页的表单内容,示例: http://www.ijquery.cn/phpclass/snoopy/fetchform.php

源代码如下:

<?php
header("Content-type: text/html; charset=utf-8"); 
include_once 'Snoopy.class.php';
$snoopy = new Snoopy();
$snoopy ->fetchform('http://www.ijquery.cn');
echo $snoopy->results;

最终的结果如图所示:

这个是原始图:

当然,我们整个网页的表单就一个,上边的那个简单的表单就是下边这个表单的采集出来的!是不是很精简呢?

4、fetchlinks 获取网页中的所有链接,示例: http://www.ijquery.cn/phpclass/snoopy/fetchlinks.php

源代码如下,注意它返回的数组啊,不是字符串

<?php
header("Content-type: text/html; charset=utf-8"); 
include_once 'Snoopy.class.php';
$snoopy = new Snoopy();
$snoopy ->fetchlinks("http://www.ijquery.cn");
print_r($snoopy->results);

最终的结果如图所示:

老大!你想要得到哪一个链接呢?这就由你了……

5、submit 确认表单显示网页

这里为了安全,就不给大家明文用户名和密码了,源码如下:

<?php
header("Content-type: text/html; charset=utf8"); 
include_once 'Snoopy.class.php';
$snoopy = new Snoopy();

//模拟登录 wordpress
$URI = "http://www.ijquery.cn/wp-login.php";
$formvars["username"] = "xxxxx";
$formvars["password"] = "xxxxxxxx"; 
$snoopy->submit($URI,$formvars);
print $snoopy->results;

只要填加正确的用户名和密码,就会登录到我的后台,给大家截图,我真实的后台地址是 http://www.ijquery.cn/wp-admin

6、submittext 确认表单显示文字内容\

这里为了安全,就不给大家明文用户名和密码了,源码如下:

<?php
header("Content-type: text/html; charset=utf8"); 
include_once 'Snoopy.class.php';
$snoopy = new Snoopy();

//模拟登录 wordpress
$URI = "http://www.ijquery.cn/wp-login.php";
$formvars["log"] = "xxxx";
$formvars["pwd"] = "xxxxxx"; 
$snoopy->submittext($URI,$formvars);
echo $snoopy->results;

但是我们发现wordpress结果却是这个,如图:

一开始我以为是我的代码有问题,后来又在本地试了一下,代码没有问题,如下:

而事实上的内容是这样的

在这里首先跳转的是后台地址 "http://localhost/website"

"管理区域“是标题

”信息提示 登陆成功!2秒后返回指定页面!如果浏览器无法跳转,请点击此处“是提示内容。

也就是它返回的“网址,标题,内容”。

由此,我们可以判定,wp登陆后,做了一个空跳转,然后才进入网站后台。不知道我说的对不对,对WP也不熟悉,妄下定论了,如果不对,请给提意见哈……

还可以看出,submittext这个方法是有BUG的!!

7、submitlinks 确认表单显示链接内容

这里为了安全,就不给大家明文用户名和密码了,源码如下:

<?php
header("Content-type: text/html; charset=utf8"); 
include_once 'Snoopy.class.php';
$snoopy = new Snoopy();

//模拟登录 wordpress
$URI = "http://www.ijquery.cn/wp-login.php";
$formvars["log"] = "xxxx";
$formvars["pwd"] = "xxxxxx"; 
$snoopy->submitlinks($URI,$formvars);
print_r($snoopy->results);

结果如图所示:

这是登录后的所有链接

8、模拟IP和cookie及浏览器等

<?php
header("Content-type: text/html; charset=utf8"); 
include_once 'Snoopy.class.php';
$snoopy = new Snoopy();

$URI = "http://www.ijquery.cn/wp-login.php";
$formvars["log"] = "xxxxx"; 
$formvars["pwd"] = "xxxxxxxxxx"; 
//伪装
$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://bbs.bfnz.cn"; //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
$snoopy->submit($URI,$formvars);

echo $snoopy->results; 

这是效果图

七、其他相关文章

1、SNOOPY 实现模拟登陆  http://www.dakaifa.cn/a/bianchengyuyan/PHPjiaocheng/2014/0927/18976.html

2、使用PHP的Snoopy类抓取图片  http://www.dakaifa.cn/a/bianchengyuyan/PHPjiaocheng/2014/0927/18974.html

 

发表我的评论
取消评论
表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址