php小偷程序实例代码

时间：2015-01-23 来源：西部数据作者：西部数据

小偷程序其实就是利用了php中的一特定函数实现采集别人网站的内容,然后通过正则分析把我们想要的内容保存到自己本地数据库,下面我来介绍php小偷程序的实现方法,有需要的朋友可参考.

在下面采集数据过程中file_get_contents函数是关键了,下面我们来看看file_get_contents函数语法.

string file_get_contents ( string $filename [, bool $use_include_path = false [, resource $context [, int $offset = -1 [, int $maxlen ]]]] )

和 file() 一样,只除了 file_get_contents() 把文件读入一个字符串,将在参数 offset 所指定的位置开始读取长度为 maxlen 的内容,如果失败,file_get_contents() 将返回 FALSE.

file_get_contents() 函数是用来将文件的内容读入到一个字符串中的首选方法,如果操作系统支持还会使用内存映射技术来增强性能.

例,代码如下:

<?php

$homepage = file_get_contents('http://www.phpfensi.com/');

echo $homepage;

?>

这样$homepage就是我们采集网的内容给保存下来了,好了说了这么多我们开始吧.

例,代码如下:

<?php

function fetch_urlpage_contents($url){

$c=file_get_contents($url);

return $c;

}

//获取匹配内容

function fetch_match_contents($begin,$end,$c)

{

$begin=change_match_string($begin);

$end=change_match_string($end);

$p = "{$begin}(.*){$end}";

if(eregi($p,$c,$rs))

{

return $rs[1];}

else { return "";}

}//转义正则表达式字符串

function change_match_string($str){

//注意，以下只是简单转义

//$old=array("/","$");

//$new=array("/","$");

$str=str_replace($old,$new,$str);

return $str;

}

//采集网页

function pick($url,$ft,$th)

{

$c=fetch_urlpage_contents($url);

foreach($ft as $key => $value)

{

$rs[$key]=fetch_match_contents($value["begin"],$value["end"],$c);

if(is_array($th[$key]))

{ foreach($th[$key] as $old => $new)

{

$rs[$key]=str_replace($old,$new,$rs[$key]);

}

}

}

return $rs;

}

$url="http://www.phpfensi.com"; //要采集的地址

$ft["title"]["begin"]="<title>"; //截取的开始点

$ft["title"]["end"]="</title>"; //截取的结束点

$th["title"]["中山"]="广东"; //截取部分的替换

$ft["body"]["begin"]="<body>"; //截取的开始点

$ft["body"]["end"]="</body>"; //截取的结束点

$th["body"]["中山"]="广东"; //截取部分的替换

$rs=pick($url,$ft,$th); //开始采集

echo $rs["title"];

echo $rs["body"]; //输出

?>

以下代码从上一面修改而来,专门用于提取网页所有超链接,邮箱或其他特定内容,代码如下:

<?php

function fetch_urlpage_contents($url){

$c=file_get_contents($url);

return $c;

}

//获取匹配内容

function fetch_match_contents($begin,$end,$c)

{

$begin=change_match_string($begin);

$end=change_match_string($end);

$p = "#{$begin}(.*){$end}#iU";//i表示忽略大小写，U禁止贪婪匹配

if(preg_match_all($p,$c,$rs))

{

return $rs;}

else { return "";}

}//转义正则表达式字符串

function change_match_string($str){

//注意，以下只是简单转义

$old=array("/","$",'?');

$new=array("/","$",'?');

$str=str_replace($old,$new,$str);

return $str;

}

//采集网页

function pick($url,$ft,$th)

{

$c=fetch_urlpage_contents($url);

foreach($ft as $key => $value)

{

$rs[$key]=fetch_match_contents($value["begin"],$value["end"],$c);

if(is_array($th[$key]))

{ foreach($th[$key] as $old => $new)

{

$rs[$key]=str_replace($old,$new,$rs[$key]);

}

}

}

return $rs;

}

$url="http://www.phpfensi.com"; //要采集的地址

$ft["a"]["begin"]='<a'; //截取的开始点<br />

$ft["a"]["end"]='>'; //截取的结束点

$rs=pick($url,$ft,$th); //开始采集

print_r($rs["a"]);

?>

小提示file_get_contents很是容易被防采集了,我们可以使用curl来模仿用户对网站进行访问,这算比上面要高级不少,file_get_contents()效率稍低些,常用失败的情况、curl()效率挺高的,支持多线程,不过需要开启下curl扩展,下面是curl扩展开启的步骤:

1、将PHP文件夹下的三个文件php_curl.dll,libeay32.dll,ssleay32.dll复制到system32下;

2、将php.ini(c:WINDOWS目录下)中的;extension=php_curl.dll中的分号去掉;

3、重启apache或者IIS.

简单的抓取页面函数,附带伪造 Referer 和 User_Agent 功能,代码如下:

<?php

function GetSources($Url,$User_Agent='',$Referer_Url='') //抓取某个指定的页面

{

//$Url 需要抓取的页面地址

//$User_Agent 需要返回的user_agent信息如“baiduspider”或“googlebot”

$ch = curl_init();

curl_setopt ($ch, CURLOPT_URL, $Url);

curl_setopt ($ch, CURLOPT_USERAGENT, $User_Agent);

curl_setopt ($ch, CURLOPT_REFERER, $Referer_Url);

curl_setopt($ch, CURLOPT_FOLLOWLOCATION,1);

curl_setopt ($ch, CURLOPT_RETURNTRANSFER, 1);

$MySources = curl_exec ($ch);

curl_close($ch);

return $MySources;

}

$Url = "http://www.phpfensi.com"; //要获取内容的也没

$User_Agent = "baiduspider+(+http://www.baidu.com/search/spider.htm)";

$Referer_Url = 'http://www.phpfensi.com/';

echo GetSources($Url,$User_Agent,$Referer_Url);

?>