如何使用PHP服务端代理抓取网页内容<转>

Leya · 发表于 2010-2-11 06:16:30

最近公司暂时断开外网，只开放公司自己所有的站点允许访问，说实在的，做WEB开发的断网，真是让人哭笑不得......

由于需要查找资料，只好简单写了一个PHP的服务端代理页面来用一下！

简单框架页面：

style type="text/css">
*{margin:0;padding:0;}
html,body{overflow:hidden;}
td{padding:0;vertical-align:top;}
</style>
<table width="100%" height="100%" cellspacing="0" cellpadding="0" border="0">
<tr>
<td style="height:25px;background:#d4d0c8;padding:5px 10px;">
<form method="post" action="action_get.php" target="actioncontent" style="margin:0;padding:0;">
<input type="text" id="targeturl" name="targeturl" style="width:100%;border:1px inset;margin:0;" />
</form>
</td>
</tr>
<tr>
<td>
<iframe name="actioncontent" style="width:100%;height:100%;"></iframe>
</td>
</tr>
</table>
<script type="text/javascript">
window.onload = function(){
document.getElementById('targeturl').focus();
};
</script>

复制代码

PHP代理页面：

<?php
//使用Snoopy的抓页功能
include "Snoopy.class.php";
//目标URL
$url = $_REQUEST['targeturl'];
//将所有传递过来的参数列出来
$par = array();
$GetPost = array_merge($_POST,$_GET);
foreach($GetPost As $Key=>$Value){
if($Key!='targeturl'){
$Value = str_replace("%25","%",$Value);
array_push($par,($Key . "=" . $Value));
}
}
//判断目标URL是否带有?（即是否带有参数）
$cc = strpos($url,"?") ? "&" : "?";
//重组URL
$geturl = !$par ? $url : $url.$cc.implode("&",$par);
//抓取重组后的URL页面内容
$snoopy = new Snoopy;
$snoopy->fetch($geturl);
//替换目标内容中脚本里有可能替换父窗口地址的代码
$org = str_replace("top.location","top.title",$snoopy->results);
//尝试转换目标内容编码到UTF-8
$opt = iconv("gbk","utf-8",$org);
//判断目标内容编码为GBK或UTF-8
$ec = strlen($opt)?"gbk":"utf-8";
?>
<script type="text/javascript">
//封闭运行，避免与后面内容中脚本混乱
(function(){
var easyUTF8 = function(gbk){if(!gbk){return '';}var utf8 = [];for(var i=0;i<gbk.length;i++){var s_str = gbk.charAt(i);if(!(/^%u/i.test(escape(s_str)))){utf8.push(s_str);continue;}var s_char = gbk.charCodeAt(i);var b_char = s_char.toString(2).split('');var c_char = (b_char.length==15)?[0].concat(b_char):b_char;var a_b =[];a_b[0] = '1110'+c_char.splice(0,4).join('');a_b[1] = '10'+c_char.splice(0,6).join('');a_b[2] = '10'+c_char.splice(0,6).join('');for(var n=0;n<a_b.length;n++){utf8.push('%'+parseInt(a_b[n],2).toString(16).toUpperCase());}}return utf8.join('');};
var getArgs = function(surl){var sarg = surl.split('?'),rv={};rv.filename=sarg[0];if(!sarg[1]){return rv;}var aarg=sarg[1].split('&'),atmp=[];for(var i=0;i<aarg.length;i++){atmp=aarg[i].split('=');rv[atmp[0]]=atmp[1];}return rv;};
var createIPH = function(name,value){if(!name){return;}if(/msie/i.test(navigator.appVersion)){return document.createElement('<input type="hidden" name="'+name+'" value="'+value+'"/>');}else{var dfi = document.createElement('input');dfi.type = 'hidden';dfi.name = name;dfi.value = value;return dfi;}};
//回显目标URL到父窗口文本框
var dtu = top.document.getElementById('targeturl');
if(dtu){dtu.value = '<?php echo $geturl;?>';}
//目标URL及domain
var sref = '<?php echo $url;?>';
var sdomain = sref.match(/^http:\/\/[^\/]*/i)[0];
//页面加载后执行下面的过程
var process = function(){
//抓取页面中所有链接
var dlink = document.getElementsByTagName('a'),la = dlink.length;
//抓取页面中所有表单
var dform = document.getElementsByTagName('form'),lf = dform.length;
//遍历所有链接，替换它们的href地址
for(var i=0;i<la;i++){
var src = dlink[i].href.toString().replace(/^http:\/\/www\.w3cgroup\.com(?:\/geturl)?/i,sdomain);
var oargs = getArgs(src),ahref = [];
//UTF-8编码参数值
for(var d in oargs){
if(!d||d=='filename'||!oargs[d]){continue;}
ahref.push(d+'='+encodeURIComponent(easyUTF8(oargs[d])));
}
var ghref = ahref.length?oargs.filename+'?'+ahref.join('&'):oargs.filename;
//重设链接地址
dlink[i].href = 'http://www.w3cgroup.com/geturl/action_get.php?targeturl='+ghref;
}
//遍历所有表单，替换它们的action地址
for(i=0;i<lf;i++){
//抓取表单action并处理
var src = dform[i].action.toString().replace(/^http:\/\/www\.w3cgroup\.com(?:\/geturl)?/i,sdomain);
if(!(/^http/.test(src))){src = (/^\/.*$/.test(src))?(sdomain+src):(sdomain+'/'+src);}
//创建一个隐藏域targeturl，值为上面处理的src地址
var dfi = createIPH('targeturl',src);
dform[i].appendChild(dfi);
//创建一个隐藏域ie，值为utf-8，纯属为搜索引擎使用
var dfi2 = createIPH('ie','utf-8');
dform[i].appendChild(dfi2);
//重设表单提交目标窗口
dform[i].target = 'actioncontent';
//重设表单action地址
dform[i].action = 'http://www.w3cgroup.com/geturl/action_get.php';
//重设表单onsubmit事件，用来UTF8编码字段值
dform[i].onsubmit = function(){
var dlms = this.elements,l = dlms.length-1,pn = '',pt = '',pv = '';
for(var i=0;i<l;i++){
pn = dlms[i].name,pt = dlms[i].type,pv = dlms[i].value;
if(!pn||pn=='targeturl'||pn=='ie'){continue;}
if(pt=='submit'||pt=='reset'||pt=='button'){
dlms[i].value = encodeURIComponent(pv);
}else{
dlms[i].value = encodeURIComponent(easyUTF8(pv));
}
}
};
}
};
//绑定该过程到window.onload
if(document.attachEvent){window.attachEvent('onload',process);}else{window.addEventListener('load',process,false);}
})();
</script>
//脚本放在输出内容前，避免内容中可能出现脚本错误而导致我们要做的事情被废掉
//输出抓到的目标页面内容
<?php echo ($ec=="gbk")?$opt:$org;?>

复制代码

在这个小作品中，我编写了一个重要的JavaScript函数easyUTF8，它可以很方便地在JavaScript脚本中将GBK编码的内容转换为UTF-8编码。

我们还处理了一下表单中添加项目的兼容问题，注意看createIPH函数，在IE中创建的表单项内容，在指定name和value时可能会出现我们不希望的结果，这在DHTML手册中已经有过描述了。

原文地址：http://www.v-ec.com/dh20156/article.asp?id=274

		自动登录	找回密码
密码			注-册

[PHP] 如何使用PHP服务端代理抓取网页内容<转>