在线时间:8:00-16:00
迪恩网络APP
随时随地掌握行业动态
扫描二维码
关注迪恩网络微信公众号
一般防盗链措施都是判断访问来路,也就是referer,这种防盗链措施只对转载/转贴有效,对于采集程序来讲,referer很容易伪造。下面简单介绍一下使用wget和php脚本采集有防盗链措施网站的图片。
1、使用wget wget是linux下非常好用的下载工具, --help可以看到提供了大量的参数,可以很方便自定义下载,伪造来路的参数是: -E --referer,如采集www.xxx.com/logo.gif文件,完整的命令行是: wget -E --referer http://www.xxx.com/ http://www.xxx.com/logo.gif 第一个网址是referer的参数表示从xxx.com来路访问的,后面的网址表示要下载的文件
(注:--help和--referer前面是两个-,wp把两个-自动转换成一个-了)
2、使用PHP脚本,可以使用file_get_contents函数,启用第三个参数,具体代码如下: PHP Code 复制内容到剪贴板
当然php还有很多方法可以破解,比如利用curl或snoopy类都是可以的。 1、php解决网站被爬虫采集的初步解决方案
推荐被允许的爬虫
}else{ Header("Location: http://127.0.0.1/");
2、PHP抓取网页、采集网页的利器:Snoopy(史努比)
Snoopy下载地址 source地址:http://sourceforge.net/projects/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 = "http://www.taoav.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 2 表单提交
PHP代码 $formvars["username"] = "admin"; $formvars["pwd"] = "admin"; $action = "http://www.taoav.com";//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
3 伪装
PHP代码 $formvars["username"] = "admin"; $formvars["pwd"] = "admin"; $action = "http://www.taoav.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.only4.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 $snoopy->submit($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.only4.cn"; $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 upload/200905122353246022.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.phpchina.com/index.php"; $snoopy->expandlinks = true; $snoopy->rawheaders["COOKIE"]="__utmz=17229162.1227682761.29.7.utmccn=(referral)|utmcsr=phpchina.com|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.phpchina.com/forum-17-1.html"); $n=ereg_replace("href=\"","href=\"http://bbs.phpchina.com/",$snoopy->results ); echo ereg_replace("src=\"","src=\"http://bbs.phpchina.com/",$n); ?> 这 是模拟登陆PHPCHINA论坛的过程,首先要查看自己浏览器的信息:echo var_dump($_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)
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。 下面是它的一些特征: 1、方便抓取网页的内容 2、方便抓取网页的文字(去掉HTML代码) 3、方便抓取网页的链接 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 12、支持sock 类属性: (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 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) $curl_path cURL binary 的目录, 如果没有cURL binary就设置为 false 类方法: fetch($URI) ----------- 这是为了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) ---------------- 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。
例子: <?php //author:华夏之星 QQ:1019822077 include "Snoopy.class.php"; $url = "http://hi.baidu.com/woaidelphi/blog";//华夏之星博客 $snoopy = new Snoopy; $snoopy->fetchtext($url);//抓取内容(去掉html代码) #$snoopy->fetchlinks($url);//抓取链接 #$snoopy->fetchform($url); //获取表单 print_r($snoopy->results);打出结果
/******************************表单提交****************************/ $submit_url = "http://www.baidu.com/index.php";//提交页面 $formvars["wd"] = "QQ:1019822077";//搜索的词 $snoopy->submit($submit_url,$formvars); print_r($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
/******************************来伪装ip,伪装浏览器****************************/ $formvars["username"] = "admin"; $formvars["pwd"] = "admin"; $action = "http://www.taoav.com"; //提交页面 $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.php100.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
$snoopy->proxy_host = "www.php100.com"; $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 http://www.taoav.com/images/taoav.gif $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
例子: 抓取一个页面并显示他的头信息和页面内容 (去掉HTML标签的页面):
include "Snoopy.class.php"; $snoopy = new Snoopy;
$snoopy->user = "joe"; $snoopy->pass = "bloe";
if($snoopy->fetch("http://www.slashdot.org/")) { echo "response code: ".$snoopy->response_code."<br>\n"; while(list($key,$val) = each($snoopy->headers)) echo $key.": ".$val."<br>\n"; echo "<p>\n";
echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>\n"; } else echo "error fetching document: ".$snoopy->error."\n";
例子: 提交一个表单并且打印出头信息和去掉HTML标签的页面:
include "Snoopy.class.php"; $snoopy = new Snoopy;
$submit_url = "http://lnk.ispi.net/texis/scripts/msearch/netsearch.html";
$submit_vars["q"] = "amiga"; $submit_vars["submit"] = "Search!"; $submit_vars["searchhost"] = "Altavista";
if($snoopy->submit($submit_url,$submit_vars)) { while(list($key,$val) = each($snoopy->headers)) echo $key.": ".$val."<br>\n"; echo "<p>\n";
echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>\n"; } else echo "error fetching document: ".$snoopy->error."\n";
例子: 展示所有属性的功能:
include "Snoopy.class.php"; $snoopy = new Snoopy;
$snoopy->proxy_host = "my.proxy.host"; $snoopy->proxy_port = "8080";
$snoopy->agent = "(compatible; MSIE 4.01; MSN 2.5; AOL 4.0; Windows 98)"; $snoopy->referer = "http://www.microsnot.com/";
$snoopy->cookies["SessionID"] = 238472834723489l; $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.phpbuilder.com")) { while(list($key,$val) = each($snoopy->headers)) echo $key.": ".$val."<br>\n"; echo "<p>\n";
echo "<PRE>".htmlspecialchars($snoopy->results)."</PRE>\n"; } else echo "error fetching document: ".$snoopy->error."\n";
例子: 抓取框架内容并展示结果:
include "Snoopy.class.php"; $snoopy = new Snoopy;
$snoopy->maxframes = 5;
if($snoopy->fetch("http://www.ispi.net/")) { echo "<PRE>".htmlspecialchars($snoopy->results[0])."</PRE>\n"; echo "<PRE>".htmlspecialchars($snoopy->results[1])."</PRE>\n"; echo "<PRE>".htmlspecialchars($snoopy->results[2])."</PRE>\n"; } else echo "error fetching document: ".$snoopy->error."\n";
3、PHP 使用 CURL 同步抓取多个网页
一般CURL 抓网页的方法, 是一页一页抓, 假设要抓 4页, 所费时间各别是 5,10,7,5 秒, 那全部总合所花的时间就是 5 + 10 + 7 + 5 = 27 秒。 若能同时间去抓取多个网页, 所花费的时间 5,10,7,5 秒, 全部总合所花的时间是 10 秒。(花费最多时间的秒数) 于JavaScript 可使用 AJAX 的 async(YAHOO.util.Connect.asyncRequest)来达成, 于 PHP 可以用 CURL 来达成此 Multi-Threading 的效果。 程序(async.php)
使用
测试 sleep.php # 看时间延长取得的效果
|
2022-08-18
2022-08-17
2022-11-06
2022-07-29
2022-08-17
请发表评论