php采集类snoopy2.0使用说明

我们经常采集一些网站数据时会被识别为机器人被网页被拒绝访问，类似这种：

  • failed to open stream: HTTP request failed! HTTP/1.1 403 Forbidden
  • 网宿云安全平台检测到您当前的访问行为存在异常，请稍后重试...

 
云安全平台检测到您当前的访问行为存在异常，请稍后重试...

URL ： https://mbd.baidu.com/newspage/_from=-1
事件ID ： bd2f68fc2b17096201630ac
客户端IP ： 422.128.142.36
当前时间 ： 2024/3/5 GMT+8 14:29:23

这就是我们的请求被识别为恶意请求，Snoopy可以完美的帮我们模拟浏览器行为进行请求，以下是介绍和使用：

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

一、官网下载Snoopy：

http://sourceforge.net/projects/snoopy/

 二、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。

<?php
$url = "http://www.lovean.com/";
include("./Snoopy.class.php");

$snoopy = new Snoopy;
$snoopy->fetch($url); 		//获取所有内容
echo $snoopy->results; 		//显示结果
?>

2. fetchtext($URI)

本方法类似于fetch()，唯一不同的就是本方去除HTML标签和其他的无关数据，只返回网页中的文字内容。

<?php
$url = "http://www.lovean.com/";
include("./Snoopy.class.php");

$snoopy = new Snoopy;
$snoopy->fetchtext($url);         //获取文本内容
echo $snoopy->results;         //显示结果
?>

3. fetchform($URI)

本方法类似于fetch()，唯一不同的就是本方去除HTML标签和其他的无关数据，只返回网页中表单内容(form)。

4. fetchlinks($URI)

本方法类似于fetch()，唯一不同的就是本方去除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。

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。

6. submittext($URI,$formvars)

本方法类似于submit()，唯一不同的就是本方去除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。

7. submitlinks($URI)

本方法类似于submit()，唯一不同的就是本方去除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。

三、Demo和常用场景示例

<?php
include "Snoopy.class.php";
$snoopy = new Snoopy;

$snoopy->proxy_host = "127.0.0.1";
$snoopy->proxy_port = "80";

$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)";
$snoopy->referer = "http://www.lovean.com";

$snoopy->cookies["SessionID"] = 238472834723489;
$snoopy->cookies["favoriteColor"] = "RED";

$snoopy->rawheaders["Pragma"] = "no-cache";

$snoopy->maxredirs = 2;
$snoopy->offsiteok = false;
$snoopy->expandlinks = false;

$snoopy->user = "joe";
$snoopy->pass = "bloe";

if($snoopy->fetchtext("http://www.lovean.com"))
{
echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>n";
}
else
echo "error fetching document: ".$snoopy->error."n";
?>

获取指定url内容：

<?
$url = "http://www.lovean.com/";
include("snoopy.php");
$snoopy = new Snoopy;
$snoopy->fetch($url); //获取所有内容
echo $snoopy->results; //显示结果
//可选以下
//$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
?>

表单提交：

<?php
$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://www.***.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
//可选以下
$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：

<?php
$formvars["username"] = "admin";
$formvars["pwd"] = "admin";
$action = "http://www.***.com";
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://www.baidu.com; //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。

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
$snoopy->proxy_host = "127.0.0.1";
$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
$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
?>

比较完整的示例：

/**
* You need the snoopy.class.php from 
* http://snoopy.sourceforge.net/
*/
include("snoopy.class.php");
 
$snoopy = new Snoopy;
// need an proxy?:
//$snoopy->proxy_host = "my.proxy.host";
//$snoopy->proxy_port = "8080";
 
// set browser and referer:
$snoopy->agent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1)";
$snoopy->referer = "http://www.jonasjohn.de/";
 
// set some cookies:
$snoopy->cookies["SessionID"] = '238472834723489';
$snoopy->cookies["favoriteColor"] = "blue";
 
// set an raw-header:
$snoopy->rawheaders["Pragma"] = "no-cache";
 
// set some internal variables:
$snoopy->maxredirs = 2;
$snoopy->offsiteok = false;
$snoopy->expandlinks = false;
 
// set username and password (optional)
//$snoopy->user = "joe";
//$snoopy->pass = "bloe";
 
// fetch the text of the website www.google.com:
if($snoopy->fetchtext("http://www.google.com")){ 
    // other methods: fetch, fetchform, fetchlinks, submittext and submitlinks
 
    // response code:
    print "response code: ".$snoopy->response_code."<br/>n";
 
    // print the headers:
 
    print "<b>Headers:</b><br/>";
    while(list($key,$val) = each($snoopy->headers)){
        print $key.": ".$val."<br/>n";
    }
 
    print "<br/>n";
 
    // print the texts of the website:
    print htmlspecialchars($snoopy->results)."n";
}
else {
    print "Snoopy: error while fetching document: ".$snoopy->error."n";
}

用Snoopy类完成一个简单的图片抓取：

<meta http-equiv='content-type' content='text/html;charset=utf-8'>
<?php    
include 'Snoopy.class.php';   //加载Snoopy类     
$snoopy = new Snoopy();       //实例化一个对象
$sourceURL = "http://www.***.com/***/";    //要抓取的网页
$snoopy->fetchlinks($sourceURL);        //获得网页的链接
$a = $snoopy->results;     //得到网页链接的结果
$re = "/d+.html$/";     //匹配的正则
//过滤获取指定的文件地址请求  
foreach ($a as $tmp) { 
    if (preg_match($re, $tmp)) {
        $aa=$tmp;        
     }    
}  
getImgURL($aa);
function getImgURL($siteName) 
{        
     $snoopy = new Snoopy();        
     $snoopy->fetch($siteName);                
     $fileContent = $snoopy->results;    //获取过滤后的页面的内容            
     //匹配图片的正则表达式        
     $reTag = "/<img[^s]+src="(http://[^"]+).(jpg|png|gif|jpeg)"[^/]*/>/i";                
    if (preg_match($reTag, $fileContent)) {  
           //过滤图片
        $ret = preg_match_all($reTag, $fileContent, $matchResult);                     
        for ($i = 0, $len = count($matchResult[1]); $i < $len; ++$i) 
        {      
            saveImgURL($matchResult[1][$i], $matchResult[2][$i]);            
        }        
    }    
}        
function saveImgURL($name, $suffix) { 
    $url = $name.".".$suffix;                
     echo "请求的图片地址：".$url."<br/>";                
     $imgSavePath = "E:/ABC/images/";  //图片保存地址      
     $imgId =mt_rand(); //产生一个随机的文件名
     if ($suffix == "gif") { 
        //根据图片类型，放入不同的文件夹下面           
          $imgSavePath .= "emotion";        
     } 
    else 
    {            
          $imgSavePath .= "topic";        
     }        
     $imgSavePath .= ("/".$imgId.".".$suffix);  //组装要保存的文件名
     if (is_file($imgSavePath)) {   
        //判断文件名是否存在，存在则删除         
          unlink($imgSavePath);            
          echo "<p style='color:#f00;'>文件".$imgSavePath."已存在，将被删除</p>";        
     }  
     $imgFile = file_get_contents($url); //读取网络文件     
     $flag = file_put_contents($imgSavePath,$imgFile);   //写入到本地 
     if ($flag) {            
          echo "<p>文件".$imgSavePath."保存成功</p>";        
     }    
}
?>

本文来自互联网用户投稿，该文观点仅代表作者本人，不代表本站立场。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如若转载，请注明出处：http://www.mfbz.cn/a/432204.html

如若内容造成侵权/违法违规/事实不符，请联系我们进行投诉反馈qq邮箱809451989@qq.com，一经查实，立即删除！

相关文章

【Azure 架构师学习笔记】- Azure Service Endpoint

【Azure 架构师学习笔记】- Azure Service Endpoint

本文属于【Azure 架构师学习笔记】系列。 前言 在做Azure 架构时&#xff0c;经常会被问到Service Endpoint这个点&#xff0c;那么这篇文章来介绍一下Service Endpoint&#xff08;SE&#xff09;。 Azure Service Endpoint 首先它是一个专用通道&#xff0c;在Azure 资源之…
阅读更多...
Kosmos-2: 在多模态大语言模型中引入基准和指代能力

Kosmos-2: 在多模态大语言模型中引入基准和指代能力

Kosmos-2: 在多模态大语言模型中引入基准和指代能力 FesianXu 20240304 at Baidu Search Team 前言 之前笔者在博文中介绍过kosmos-1模型 [1]&#xff0c;该模型脱胎于MetaLM采用『因果语言模型作为通用任务接口』的思想&#xff0c;采用了多种形式的多模态数据进行训练得到。…
阅读更多...
GIS之深度学习07：CUDNN教程（CUDA12.1配套）

GIS之深度学习07：CUDNN教程（CUDA12.1配套）

CUDNN&#xff08;CUDA Deep Neural Network library&#xff09;是NVIDIA专门针对深度学习应用开发的GPU加速库。它提供了一系列高效的深度学习算法的实现&#xff0c;包括卷积神经网络&#xff08;CNN&#xff09;、循环神经网络&#xff08;RNN&#xff09;等常用网络结构的…
阅读更多...
flutter开发文档，靠着这份面试题跟答案

flutter开发文档，靠着这份面试题跟答案

1、知道它是什么、有什么用 相信很多人在学习的时候&#xff0c;一开始都会在网上找一整套资料或者买一本书来学习&#xff0c;结果就是内容太多&#xff0c;学了记不住或者学到一半感觉很难&#xff0c;便放弃了&#xff0c;更别提写代码了&#xff0c;根本无从入手。 而更好…
阅读更多...
echarts柱状图可鼠标左击出现自定义弹框，右击隐藏弹框并阻止默认右击事件

echarts柱状图可鼠标左击出现自定义弹框，右击隐藏弹框并阻止默认右击事件

每项x轴数据对应有两条柱图和一条阴影效果是学习其它博客得到的效果&#xff0c;这个是学习的原文链接&#xff1a;echarts两个合并柱体&#xff08;普通柱状图象形柱图&#xff09;共享一个柱体阴影 因为这次情况比较特殊&#xff0c;不仅需要自定义弹框内容&#xff0c;而且…
阅读更多...
day12_SpringCloud(Gateway,Nacos配置中心,Sentinel组件)

day12_SpringCloud(Gateway,Nacos配置中心,Sentinel组件)

文章目录 1 Gateway组件1.1 Gateway简介1.2 Gateway入门1.3 网关路由流程图1.4 路由工厂1.5 过滤器1.5.1 过滤器简介1.5.2 内置过滤器1.5.3 路由过滤器1.5.4 默认过滤器1.5.5 全局过滤器1.5.6 过滤器执行顺序 2 Nacos配置中心2.1 统一配置管理2.2 Nacos入门2.2.1 Nacos中添加配…
阅读更多...
【PowerMockito:编写单元测试过程中原方法没有注入的属性在跑单元测试时出现空指针】

【PowerMockito:编写单元测试过程中原方法没有注入的属性在跑单元测试时出现空指针】

出错场景 下面这一步报空指针&#xff0c;但是因为没有注入&#xff0c;在测试类中无法使用Mock 解决 在执行方法前&#xff0c;加入以下代码 MemberModifier.field(ResourceServiceImpl.class,"zero").set(resourceService,"0");
阅读更多...
在Vue中搭建Three.js环境(超详细、保姆级)，创建场景、相机、渲染器《一》

在Vue中搭建Three.js环境(超详细、保姆级)，创建场景、相机、渲染器《一》

目录 Three.js简介创建vue项目引入Three.js实际操作环节文件目录创建初始化场景、相机 Three.js简介 Three.js 是一款基于 WebGL的 JavaScript 3D 库&#xff0c;它封装了 WebGL API&#xff0c;为开发者提供了简单易用的 API 来在 Web 浏览器中展示 3D 图形。Three.js 提供了…
阅读更多...
【字符串】【括号匹配】【广度优先】301. 删除无效的括号

【字符串】【括号匹配】【广度优先】301. 删除无效的括号

作者推荐 【二分查找】【C算法】378. 有序矩阵中第 K 小的元素 本文涉及知识点 字符串 括号匹配 广度优先 LeetCode301 删除无效的括号 给你一个由若干括号和字母组成的字符串 s &#xff0c;删除最小数量的无效括号&#xff0c;使得输入的字符串有效。 返回所有可能的结果…
阅读更多...
Linux Watchdog 机制是什么

Linux Watchdog 机制是什么

当涉及到Linux操作系统的稳定性和可靠性时&#xff0c;Linux Watchdog机制是一个至关重要的议题。该机制旨在监控系统状态&#xff0c;确保在出现问题时采取适当的措施以维持系统的正常运行。本文将深入探讨Linux Watchdog机制的工作原理、应用范围以及如何配置和使用该机制来提…
阅读更多...
2023年全国职业院校技能大赛 GZ073网络系统管理赛项 模块A：网络构建

2023年全国职业院校技能大赛 GZ073网络系统管理赛项 模块A：网络构建

2023年全国职业院校技能大赛 GZ073网络系统管理赛项 模块A：网络构建 卷II 一. 拓扑图 二.有线网络配置 三.无线网络配置 四.出口网络配置 二、有线配置 S1.txt S1#show running-config Building configuration... Current configuration : 5008 bytes! version RGOS 10…
阅读更多...
html标签之表格标签，想学web开发

html标签之表格标签，想学web开发

html 1&#xff0c;浏览器存储的方式有哪些 2&#xff0c;如何解决跨域的&#xff1f; 3&#xff0c;浏览器 cookie 和 session 的认识。 4&#xff0c;输入URL发生什么&#xff1f; 5&#xff0c;浏览器渲染的步骤 6&#xff0c;页面渲染优化 7&#xff0c;强制缓存和协商缓存…
阅读更多...
蓝桥杯刷题（一）

蓝桥杯刷题（一）

一、 import os import sys def dps(s):dp [0] * len(s)dp[0] ord(s[0]) - 96if len(s) 1:return dp[-1]dp[1] max(ord(s[0]) - 96, ord(s[1]) - 96)for i in range(2, len(s)):dp[i] max(dp[i - 1], dp[i - 2] (ord(s[i])) - 96)return dp[-1] s input() print(dps(s))…
阅读更多...
App前端开发跨平台框架比较：React Native、Flutter、Xamarin等

App前端开发跨平台框架比较：React Native、Flutter、Xamarin等

引言 移动应用开发领域的跨平台框架正在不断演进&#xff0c;为开发者提供更多选择。在本文中&#xff0c;我们将比较几个流行的跨平台框架&#xff1a;React Native、Flutter和Xamarin等。讨论它们的优缺点、适用场景以及开发体验。 第一部分 React Native: 优缺点、适用场景…
阅读更多...
gRPC-第二代rpc服务

gRPC-第二代rpc服务

在如今云原生技术的大环境下&#xff0c;rpc服务作为最重要的互联网技术&#xff0c;蓬勃发展&#xff0c;诞生了许多知名基于rpc协议的框架&#xff0c;其中就有本文的主角gRPC技术。 一款高性能、开源的通用rpc框架 作者作为一名在JD实习的Cpper&#xff0c;经过一段时间的学…
阅读更多...
【Python】深度学习基础知识——梯度下降详解和示例

【Python】深度学习基础知识——梯度下降详解和示例

尽管梯度下降&#xff08;gradient descent&#xff09;很少直接用于深度学习&#xff0c;但它是随机梯度下降算法的基础&#xff0c;也是很多问题的来源&#xff0c;如由于学习率过大&#xff0c;优化问题可能会发散&#xff0c;这种现象早已在梯度下降中出现。本文通过原理和…
阅读更多...
【控制台警告】npm WARN EBADENGINE Unsupported engine

【控制台警告】npm WARN EBADENGINE Unsupported engine

今天用webpack下载几个loader依赖&#xff0c;爆出了三个警告&#xff0c;大概的意思就是本地安装的node和npm的版本不是很匹配&#xff1f; 我的解决思路是&#xff1a; 先检查node和npm版本 然后去官网查找版本的对应 靠&#xff0c;官网404 Node.js (nodejs.org) 就找到…
阅读更多...
第十二篇：学习python数据清洗

第十二篇：学习python数据清洗

文章目录 一、啥是数据清洗二、将表格数据导入pandas中1. 准备工作2. 引入csv文件2.1 引入pandas库2.2 读取文件/修改名称3.2 快速浏览数据2.4 修改名字2.5 查找缺失值2.6 删除缺失值 3. 引入Excel文件3.1 引入pandas库3.2 读取Excel文件的人均GDP数据3.3 查看数据类型和non-nu…
阅读更多...
【鸿蒙 HarmonyOS 4.0】弹性布局（Flex）

【鸿蒙 HarmonyOS 4.0】弹性布局（Flex）

一、介绍 弹性布局&#xff08;Flex&#xff09;提供更加有效的方式对容器中的子元素进行排列、对齐和分配剩余空间。容器默认存在主轴与交叉轴&#xff0c;子元素默认沿主轴排列&#xff0c;子元素在主轴方向的尺寸称为主轴尺寸&#xff0c;在交叉轴方向的尺寸称为交叉轴尺寸…
阅读更多...
六、软考-系统架构设计师笔记-软件工程基础知识

六、软考-系统架构设计师笔记-软件工程基础知识

1、软件工程 软件工程是将系统化的、严格约束的、可量化的方法应用于软件的开发、运行和维护&#xff0c;即将工程化应用于软件并对上述方法的研究。 软件要经历从需求分析、软件设计、软件开发、运行维护&#xff0c;直至被淘汰这样的全过程&#xff0c;这个过程称为软件的生…
阅读更多...
最新文章

Copyright @ 2022~2023

友情链接： 我的编程经验分享 一条长河网 尧图网站开发 尧图建网站