PHP网络爬虫之CURL学习

PHP的CURL

php的curl可以实现模拟http的各种请求，这也是php做网络爬虫的基础，也多用于接口api的调用。

这个时候有人就要发问了：为什么你特么不用file_get_contents?

curl的性能比它好，而且可以完成更多复杂的操作，不仅仅只是获取页面数据。

下面先分别介绍一些常用的函数。

• curl_init 初始化一个curl对话

• curl_setopt 设置curl参数，即传输选项

• curl_exec 执行请求

• curl_close 关闭一个curl对话

主要是上面四个

---

• curl_errno 返回最后一次错误码,php已经定义了诸多错误枚举编码

• curl_errror 返回一个保护当前会话最近一次错误的字符串

下面直接上实例吧，相关解释都在注释里面

1. 在网络上下载一个网页并把内容中的“百度”替换为“屌丝”之后输出

<?php/** * 实例描述：在网络上下载一个网页并把内容中的“百度”替换为“屌丝”之后输出 */$curlobj = curl_init();            // 初始化curl_setopt($curlobj, CURLOPT_URL, "http://www.baidu.com");        // 设置访问网页的URLcurl_setopt($curlobj, CURLOPT_RETURNTRANSFER, true);           // 执行之后不直接打印出来$output=curl_exec($curlobj);  // 执行curl_close($curlobj);          // 关闭cURLecho str_replace("百度","屌丝",$output);?>
1
2
3
4
5
6
7
8
9
10
11

2. 通过调用WebService查询北京的当前天气

<?php/** * 实例描述：通过调用WebService查询北京的当前天气 */$data = 'theCityName=北京';$curlobj = curl_init();    curl_setopt($curlobj, CURLOPT_URL, "http://www.webxml.com.cn/WebServices/WeatherWebService.asmx/getWeatherbyCityName");  curl_setopt($curlobj, CURLOPT_HEADER, 0); curl_setopt($curlobj, CURLOPT_RETURNTRANSFER, 1);  curl_setopt($curlobj, CURLOPT_POST, 1);  curl_setopt($curlobj, CURLOPT_POSTFIELDS, $data);  curl_setopt($curlobj, CURLOPT_HTTPHEADER, array("application/x-www-form-urlencoded; charset=utf-8",     "Content-length: ".strlen($data)    )); $rtn = curl_exec($curlobj);   if(!curl_errno($curlobj)){    // $info = curl_getinfo($curlobj);     // print_r($info);    echo $rtn;  } else {  echo 'Curl error: ' . curl_error($curlobj);}curl_close($curlobj);?>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24

3. 模拟需要登录的网址并抓取网页的内容

<?php/** * 实例描述：模拟需要登录的网址并抓取网页的内容 */$data=array('username' => 'promonkey',     'password' => '1q2w3e',    'remember'=>1);$data='username=[e-mail]&password=1q2w3e&remember=1';$curlobj = curl_init();            // 初始化curl_setopt($curlobj, CURLOPT_URL, "http://www.imooc.com/user/login");     // 设置访问网页的URLcurl_setopt($curlobj, CURLOPT_RETURNTRANSFER, true);           // 执行之后不直接打印出来// Cookie相关设置，这部分设置需要在所有会话开始之前设置date_default_timezone_set('PRC'); // 使用Cookie时，必须先设置时区curl_setopt($curlobj, CURLOPT_COOKIESESSION, TRUE); curl_setopt($curlobj, CURLOPT_HEADER, 0); curl_setopt($curlobj, CURLOPT_FOLLOWLOCATION, 1); // 这样能够让cURL支持页面链接跳转curl_setopt($curlobj, CURLOPT_POST, 1);  curl_setopt($curlobj, CURLOPT_POSTFIELDS, $data);  curl_setopt($curlobj, CURLOPT_HTTPHEADER, array("application/x-www-form-urlencoded; charset=utf-8",     "Content-length: ".strlen($data)    )); curl_exec($curlobj);   // 执行curl_setopt($curlobj, CURLOPT_URL, "http://www.imooc.com/space/index");curl_setopt($curlobj, CURLOPT_POST, 0);  curl_setopt($curlobj, CURLOPT_HTTPHEADER, array("Content-type: text/xml"    )); $output=curl_exec($curlobj);  // 执行curl_close($curlobj);          // 关闭cURLecho $output;?>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32

4. 登录网站的信息抓取并下载个人空间页面 + 自定义实现页面链接跳转抓取

<?php/** * 实例描述：登录网站的信息抓取并下载个人空间页面 * 自定义实现页面链接跳转抓取 *  */$data='username=[e-mail]&password=123qwe&remember=1';$curlobj = curl_init();            // 初始化curl_setopt($curlobj, CURLOPT_URL, "http://www.imooc.com/user/login");     // 设置访问网页的URLcurl_setopt($curlobj, CURLOPT_RETURNTRANSFER, true);           // 执行之后不直接打印出来// Cookie相关设置，这部分设置需要在所有会话开始之前设置date_default_timezone_set('PRC'); // 使用Cookie时，必须先设置时区curl_setopt($curlobj, CURLOPT_COOKIESESSION, TRUE); curl_setopt($curlobj, CURLOPT_HEADER, 0); // 注释掉这行，因为这个设置必须关闭安全模式 以及关闭open_basedir，对服务器安全不利//curl_setopt($curlobj, CURLOPT_FOLLOWLOCATION, 1);  curl_setopt($curlobj, CURLOPT_POST, 1);  curl_setopt($curlobj, CURLOPT_POSTFIELDS, $data);  curl_setopt($curlobj, CURLOPT_HTTPHEADER, array("application/x-www-form-urlencoded; charset=utf-8",     "Content-length: ".strlen($data)    )); curl_exec($curlobj);   // 执行curl_setopt($curlobj, CURLOPT_URL, "http://www.imooc.com/space/index");curl_setopt($curlobj, CURLOPT_POST, 0);  curl_setopt($curlobj, CURLOPT_HTTPHEADER, array("Content-type: text/xml"    )); $output=curl_redir_exec($curlobj);  // 执行curl_close($curlobj);          // 关闭cURLecho $output;/** * 自定义实现页面链接跳转抓取 */function curl_redir_exec($ch,$debug="") {     static $curl_loops = 0;     static $curl_max_loops = 20;     if ($curl_loops++ >= $curl_max_loops)     {         $curl_loops = 0;         return FALSE;     }     curl_setopt($ch, CURLOPT_HEADER, true); // 开启header才能够抓取到重定向到的新URL    curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);     $data = curl_exec($ch);     // 分割返回的内容    $h_len = curl_getinfo($ch, CURLINFO_HEADER_SIZE);     $header = substr($data,0,$h_len);    $data = substr($data,$h_len - 1);    $http_code = curl_getinfo($ch, CURLINFO_HTTP_CODE);     if ($http_code == 301 || $http_code == 302) {         $matches = array();         preg_match('/Location:(.*?)\n/', $header, $matches);         $url = @parse_url(trim(array_pop($matches)));         // print_r($url);         if (!$url)         {             //couldn't process the url to redirect to             $curl_loops = 0;             return $data;         }         $last_url = parse_url(curl_getinfo($ch, CURLINFO_EFFECTIVE_URL));         if (!isset($url['scheme']))             $url['scheme'] = $last_url['scheme'];         if (!isset($url['host']))             $url['host'] = $last_url['host'];         if (!isset($url['path']))             $url['path'] = $last_url['path'];        $new_url = $url['scheme'] . '://' . $url['host'] . $url['path'] . (isset($url['query'])?'?'.$url['query']:'');         curl_setopt($ch, CURLOPT_URL, $new_url);         return curl_redir_exec($ch);     } else {         $curl_loops=0;         return $data;     } } ?>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83

从FTP服务器下载一个文件到本地

<?php/** * 实例描述：把本地文件上传到FTP服务器上 */$curlobj = curl_init();    $localfile = 'ftp01.php';$fp = fopen($localfile, 'r');curl_setopt($curlobj, CURLOPT_URL, "ftp://192.168.1.100/ftp01_uploaded.php");  curl_setopt($curlobj, CURLOPT_HEADER, 0); curl_setopt($curlobj, CURLOPT_RETURNTRANSFER, 1);  curl_setopt($curlobj, CURLOPT_TIMEOUT, 300); // times out after 300scurl_setopt($curlobj, CURLOPT_USERPWD, "peter.zhou:123456");//FTP用户名：密码//上传和下载主要是下面子三个参数不一样curl_setopt($curlobj, CURLOPT_UPLOAD, 1);curl_setopt($curlobj, CURLOPT_INFILE, $fp);curl_setopt($curlobj, CURLOPT_INFILESIZE, filesize($localfile));$rtn = curl_exec($curlobj);  fclose($fp); if(!curl_errno($curlobj)){    echo "Uploaded successfully.";  } else {  echo 'Curl error: ' . curl_error($curlobj);}curl_close($curlobj);?>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27

6.下载网络上面的一个HTTPS的资源

<?php/** * 实例描述：下载网络上面的一个HTTPS的资源 */$curlobj = curl_init();            // 初始化curl_setopt($curlobj, CURLOPT_URL, "https://ajax.aspnetcdn.com/ajax/jquery.validate/1.12.0/jquery.validate.js");       // 设置访问网页的URLcurl_setopt($curlobj, CURLOPT_RETURNTRANSFER, true);           // 执行之后不直接打印出来// 设置HTTPS支持date_default_timezone_set('PRC'); // 使用Cookie时，必须先设置时区curl_setopt($curlobj, CURLOPT_SSL_VERIFYPEER, 0); // 对认证证书来源的检查从证书中检查SSL加密算法是否存在curl_setopt($curlobj, CURLOPT_SSL_VERIFYHOST, 2); // $output=curl_exec($curlobj);  // 执行curl_close($curlobj);          // 关闭cURLecho $output;?>
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17

原生PHP模拟http请求

有时候为了简单模拟一个http请求，这样就去用curl有点浪费，其实php自身已经可以实现这个功能，

需要在服务器端模拟 POST/GET 等请求，也就是在 PHP 程序中去实现模拟，改怎么做到呢？或者说，在 PHP 程序里，给你一个数组，如何将这个数组 POST/GET 到另外一个地址呢？当然，使用 CURL 很容易办到，那么如果不使用 CURL 库，又该怎么办呢？其实，在 PHP 里已经有相关的函数实现了，这个函数就是接下来要讲的stream_context_create()。

直接 show you the code，这是最好的方法：

$data = array(    'foo'=>'bar',     'baz'=>'boom',     'site'=>'www.nowamagic.net',     'name'=>'nowa magic'); $data = http_build_query($data); //$postdata = http_build_query($data);$options = array(    'http' => array(        'method' => 'POST',        'header' => 'Content-type:application/x-www-form-urlencoded',        'content' => $data        //'timeout' => 60 * 60 // 超时时间（单位:s）    ));$url = "http://www.nowamagic.net/test2.php";$context = stream_context_create($options);$result = file_get_contents($url, false, $context);echo $result;http://www.nowamagic.net/test2.php 的代码为：$data = $_POST;echo '<pre>';print_r( $data );echo '</pre>';
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30

运行结果为：

Array(    [foo] => bar    [baz] => boom    [site] => www.nowamagic.net    [name] => nowa magic)
1
2
3
4
5
6
7

一些要点讲解：

1. 以上程序用到了 http_build_query() 函数，构造URL字符串。

2. stream_context_create() 是用来创建打开文件的上下文件选项的，比如用POST访问，使用代理，发送header等。就是 创建一个流，再举一个例子吧：

$context = stream_context_create(array(     'http' => array(         'method'  => 'POST',         'header'  => sprintf("Authorization: Basic %s\r\n", base64_encode($username.':'.$password)).         "Content-type: application/x-www-form-urlencoded\r\n",         'content' => http_build_query(array('status' => $message)),         'timeout' => 5,     ), )); $ret = file_get_contents('http://twitter.com/statuses/update.xml', false, $context); 
1
2
3
4
5
6
7
8
9
10

1. stream_context_create创建的上下文选项即可用于流(stream)，也可用于文件系统(file system)。对于像file_get_contents、file_put_contents、readfile直接使用文件名操作而没有文件句柄的函数来说更有用。stream_context_create增加header头只是一部份功能，还可以定义代理、超时等。这使得访问web的功能不弱于curl。

2. stream_context_create() 作用：创建并返回一个文本数据流并应用各种选项，可用于fopen(),file_get_contents()等过程的超时设置、代理服务器、请求方式、头信息设置的特殊过程。

3. stream_context_create 还能通过增加 timeout 选项解决file_get_contents超时处理：

$opts = array(    'http'=>array(    'method'=>"GET",    'timeout'=>60,  ));//创建数据流上下文$context = stream_context_create($opts);$html =file_get_contents('http://www.nowamagic.net', false, $context);//fopen输出文件指针处的所有剩余数据://fpassthru($fp); //fclose()前使用