网站小偷程序吊丝版(原理、实现，及几种玩法)

beijixing · 发表于 2013-5-22 18:49:44

大洲的小偷程序非常让人眼馋，无奈本diao丝程序员，一无RMB，二无论坛币，只能望洋兴叹，所幸我有web程序开发的经验，对于这个小偷程序的基本原理能猜到不少，本着自力更生，服务大众的精神，我自己实现了一个简易版，在此开源给大家，希望能赚点论坛币，早日进入email版见见世面。

一、原理
1.用户访问流程：
（1）用户访问我们的冒牌站（A.com）
（2）网站后台程序根据用户的query参数（包括get/post/cookie）构造原始网站B.com的url，用后台程序去访问该url，此时可以拿到原始网站的html和header输出。这里有一点需要注意的是原始网站输出的头也不可以忽略，里面的set-cookie信息也可以转发给用户的，这样就可以实现注册和登陆原网站啦。
（3）对原始网站的html输出和header输出按某些规则做替换，比如把某些广告去掉啦，把B.com的地址替换成A.com啦，其实这一步是最关键的，也是玩法最多最好玩的部分
（4）将替换后的html和header输出给用户。

2.规则替换的几种玩法：
（1）最简单的当然是字符串和正则表达式了，这就不多说了
（2）用html解析库对html的dom节点做操作，然后重新生成html，比如可以把页面中的text node翻译成另一种语言，或者做文章重写，这样比较容易逃过搜索引擎的法眼。
据我所知每种语言都由若干个html库，比如php的有DOM、phpQuery等，java的有htmlcleaner等
（3）在原始html代码的后面加入一些javascript代码，用来隐藏一些页面元素，或加入一些广告代码等

3.关于速度和性能：
（1）提到性能第一个想到的当然是缓存啦，我觉得最适合加缓存的地方就是上文1.1.2中提到的生成原始网站url后，这里可以对原始url做md5编码，访问一次改url后就把它的内容和头存到硬盘上，这样就不用每次都去原网站拉取了。做缓存的另一个好处是不用担心被原网站屏蔽。

（2）对于css，图片，js等静态文件，其实不用每个文件都让php访问原网站拉取，可以直接返回个302，让浏览器直接去原网站拉取。

二、实现
1.程序语言：
其实这个东西哪种语言都能搞定，也都不麻烦，我对php比较熟，就选了php。
2.一些准备工作：
（1）修改apache的rewrite规则，因为我们的程序只有一个文件，我们必须把所有接收到的请求都重定向到这个文件，这里我假设重定向到index.php，在apache的<VirtualHost>中加入这几句,如果是虚拟主机的话就修改.htaccess吧，不过我没试过，所以不知道怎么写re它的write规则
RewriteEngine on
RewriteCond %{DOCUMENT_ROOT}%{SCRIPT_FILENAME} -s [OR]
RewriteCond %{DOCUMENT_ROOT}%{SCRIPT_FILENAME} -l [OR]
RewriteCond %{DOCUMENT_ROOT}%{SCRIPT_FILENAME} -d
RewriteRule ^.*$ - [NC,L]
RewriteRule ^.*$ /index.php [NC,L]

（2）安装php的http模块
php发http请求的函数库找了好几个，发现http模块是用起来最简单的，不过需要你会linux操作哦，安装方法在这里http://php.net/manual/en/http.install.php
ps：如果安装不上或没有vps，请把下面程序的http模块的函数换成phpcurl等http lib

3.index.php的代码：

$host = $_SERVER['HTTP_HOST'];
//这里把假站的域名替换成原始网站的，用于生成原始url
$host = str_ireplace('fake.com', "true.com", $host);
$toUrl = sprintf("http://%s%s", $host,$_SERVER['REQUEST_URI']);

$script_name = $_SERVER['SCRIPT_NAME'];
$arr = explode(".", $script_name);
$endName = $arr[count($arr) - 1];

//这些后缀结尾的url直接返回302
$STATIC_END_NAME = array('css','xml','rss','gif','jpg','jpeg','js','axd','atom',
            'mml','txt','jad','htc',
            'png','tif','tiff','wbmp','ico','jng','bmp','svg',
            'jar','war','ear','hqx','doc','pdf','ps','eps','ai',
            'rtf', 'xls', 'ppt', 'wmlc', 'xhtml', 'cco', 'jardiff',
            'jnlp', 'run', 'pl', 'pm', 'prc', 'pdb', 'rar', 'rpm',
            'sea', 'swf', 'sit', 'tcl', 'tk', 'der', 'der', 'crt',
            'xpi', 'zip', 'bin', 'exe', 'dll' ,'deb', 'dmg', 'eot',
            'iso', 'img', 'msi', 'msp', 'msm' ,'mid', 'midi', 'kar',
            'mp3', 'ra', '3gpp', '3gp', 'mpeg', 'mpg', 'mov', 'flv',
            'mng', 'asx', 'asf', 'wmv', 'avi');

if(in_array($endName ,$STATIC_END_NAME))
{
      $headerStr = sprintf("Location: %s", $toUrl);
      header( $headerStr, true, 302);
      exit;
}

//一个简单的cache
function GetFromCache( $url)
{
$current_dir = dirname(__FILE__);
$cache_dir = $current_dir . "/cache/";
if( !is_dir( $cache_dir))
{

      mkdir($cache_dir);
}

$cache_file = $cache_dir . md5($url);
if(file_exists( $cache_file))
{
      $html = file_get_contents( $cache_file);
      if($html == false)
      {
         $html = "";
      }
}else
{
//访问原始网站
      $data = http_get($url ,array('redirect' => 5, 'timeout' => 10), $http_info );
      $message = http_parse_message($data);

      $html = trim($message->body);

      file_put_contents( $cache_file, $html);
}

return $html;
}

$html = GetFromCache( $toUrl );

$html = str_replace("circleid.com", "circleid.us", $html);

$html = preg_replace('/<meta name=.*>/', "", $html);

//注释的这两句是用phpquery操作
//$body = htmlqp($body)->find('#header')->remove()->html();
//$html = htmlqp($html)->find('#header')->remove()->document->saveHTML();

$script = <<<EOD
<script>
$(document).ready(function() {
$("#footer").remove();

});

</script>

EOD;

echo($html . $script);

三、最后
1.总之，这个程序还很简陋，没有处理post和cookie参数，也没有配置管理模块，距离大洲的程序差距有一个大洲那么大，仅适合稍微懂点程序又有点好奇心的新手玩玩
2.最后当然是希望大家不令赐分啦，您的论坛币是我继续分享的动力，哈哈

chinafla · 发表于 2013-5-22 19:15:10

随便找一个proxy代码功能以去掉什么都齐全了。。。

joul · 发表于 2013-5-22 19:33:55

有一个技术流牛人！赞一个！！！

terranboy · 发表于 2013-5-22 19:49:04

NGINX 天生的小偷结合LUA 各种替换

goog1e · 发表于 2013-5-22 19:49:15

nginx 早已经实现了,有插件.

tyro · 发表于 2013-5-22 20:20:28

期待楼主的程序，大洲的程序貌似挺牛，但是贵，初级屌丝用着吃力。

beijixing · 发表于 2013-5-22 21:21:05

chinafla 发表于 2013-5-22 19:15 % F7 O* ^ ]; F! s5 x. Q
随便找一个proxy代码功能以去掉什么都齐全了。。。

是的，其实就是个web proxy，重要的是替换模块的创意和玩法。
我觉得大洲最NB的一点就是把配置管理和站群管理做的很方便，另外就是把替换功能做成插件化，这些边边角角的活看起来没啥技术含量，但是做过产品的人都知道很劳心劳力的

毕加 · 发表于 2013-5-22 21:34:12

楼主牛人。。。

ROTOU · 发表于 2013-5-23 00:46:21

对于css，图片，js等静态文件，其实不用每个文件都让php访问原网站拉取，可以直接返回个302，让浏览器直接去原网站拉取。

源网站如果有防盗链的，就不行了。

危害性9 _& I7 y6 P. c& ?4 |: f/ Z) @. f

4 j5 {, D3 u0 N/ I& p; Y8 _* A302重定向很容易被搜索引擎误认为是利用多个域名指向同一网站，那么你的网站就会被封掉，罪名是“利用重复的内容来干扰Google搜索结果的网站排名”。因为302重定向经常别用于做url劫持，黑帽seo技术中，而且百度在处理302重定向技术还不成熟，经常将它纳入到黑帽seo的范畴中，而google对这方面识别处理就完善了许多。所以302重定向在现阶段的搜索引擎技术中，还是容易导致网站降权的，尽量不用。但从seo、网站优化方面来说是弊大于利。

hudba · 发表于 2013-5-23 06:42:39

没看懂，楼主你抓取的html是永久保存在服务器硬盘吗？还是用户访问每次都抓或者缓存？
抓来的页面模板要重新设计吗？觉得最后还是要能赚钱。伪原创？

生鱼片 · 发表于 2013-5-23 09:11:53

一个NGINX就搞定了效率还高
简单的替换有相应模块

Jack · 发表于 2013-5-23 09:28:35

会程序的就是NB哈

beijixing · 发表于 2013-5-23 09:38:36

hudba 发表于 2013-5-23 06:42 ) ]! }. w3 w1 P4 V4 d
没看懂，楼主你抓取的html是永久保存在服务器硬盘吗？还是用户访问每次都抓或者缓存？8 A3 [( {0 ~8 Y% h
抓来的页面模板要重 ...

这个代码里的cache主要是做demo，是存在硬盘里的，实际使用中你完全可以用memcache或数据库代替，cache的过期策略也可以自己控制

eyemans · 发表于 2013-5-23 11:22:12

也是一个高手哦。。。

如松 · 发表于 2013-5-27 10:32:21

技术流牛人！赞一个！！！

		自动登录	找回密码
密码			立即注册

谷歌+Bing+TT+MSN官方代理	⚡️按条S5代理⚡️静态⚡️独享⚡️5G	⚡️AdsPower:安全不封号,高效自动化	Mediabuy⚡️玩家开户首选
【鲁班跨境通-自助充值转账】	FB/GG/TT❤️官方免费开户	Affiliate 全媒体流量资源⚡️	Taboola/Outbrain /Bing⚡️一级代理
*开户投流-724h❤️人工在线**	【官方】❤️搜索套利买量投流开户	独立站⚡️开户投放	FB BM不限额，短id账单户
E.PN 虚拟卡	BINOM TRACKER 60% OFF!	比Adplexity还好用的Spy工具	ADPLEXITY + ADVERTCN
7200W全球动态不重复住宅IP代理	虚拟信用卡+独立站收款	全球虚拟卡, 支持U充值	Facebook 批量上广告
尤里改 - FB 稳定投放	免费黑五教程（持续更新、欢迎交流）	FB 三不限源头 - 自助下户充值转款	各种主页、账单户、BM户（优势）
⚡️个人户，bm户不限额，账单户	Google、Bing官方总代联盟流量开户	FB企业户BM户账单户源头	海外CL企业户源头
PTM全球虚拟卡—进来交个朋友!	PTM虚拟卡⚡️费率透明⚡️额度随心	FB虚拟卡⚡️消费越多返现越多	虚拟卡 - Pay2.House
【找量】BA独家Nutra单找量	虚拟FB卡 ⚡️ 透明条件	国内外持牌，虚拟信用卡和收付款	->Tyver SPY汇聚海量广告创意
广告位出租	8500万高质量住宅IP，助力各种需求	虚拟卡返佣1%，国内持牌机构

网站小偷程序吊丝版(原理、实现，及几种玩法)

评分

评分

社区QQ达人