PHP使用CURL抓取网页

CURL是一个非常强大的开源库，支持很多协议，包括HTTP、FTP、TELNET等，我们使用它来发送HTTP请求。它给我 们带来的好处是可以通过灵活的选项设置不同的HTTP协议参数，并且支持HTTPS。CURL可以根据URL前缀是“HTTP” 还是“HTTPS”自动选择是否加密发送内容。

使用CURL的PHP扩展完成一个HTTP请求的发送一般有以下几个步骤：

1. 初始化连接句柄；
2. 设置CURL选项；
3. 执行并获取结果；
4. 释放CURL连接句柄。

一、使用curl模拟GET请求

$curl=curl_init();  //初始化curl句柄$url="http://www.conglinfeng.com/together/detail.php?show_ID=5";  //要请求的url地址curl_setopt($curl, CURLOPT_URL,$url);  //设置curl的参数，即要请求的url是$urlcurl_exec($curl);  //执行操作curl_close($curl);  //关闭句柄

执行curl_exec()时，成功时会输出网页代码，并且返回值为 TRUE，在失败时返回 FALSE。 然而，如果 CURLOPT_RETURNTRANSFER选
项被设置，函数执行成功时会返回执行的结果，失败时返回 FALSE 。

二、使用curl模拟post请求

$curl=curl_init();$url="./register.php";curl_setopt($curl, CURLOPT_URL,$url);curl_setopt($curl, CURLOPT_POST, true);  //设置请求为post$post_data=array('username'=>"嘿嘿",'password'=>'111111','confirm'=>'111111','email'=>"[e-mail]");   //要发送的数据组装成一个数组curl_setopt($curl, CURLOPT_POSTFIELDS, $post_data);  //post的数据内容curl_exec($curl); curl_close($curl);

register.php：

var_dump($_POST);

三、处理响应的数据

curl_exec()执行时会直接把响应数据输出，如果不需要直接输出，可以加：curl_setopt($curl, CURLOPT_RETURNTRANSFER, true) ; 

$url="./register.php";curl_setopt($curl, CURLOPT_URL,$url);curl_setopt($curl, CURLOPT_POST, true);  //设置请求为post$post_data=array('username'=>"嘿嘿",'password'=>'111111','confirm'=>'111111','email'=>"[e-mail]");curl_setopt($curl, CURLOPT_POSTFIELDS, $post_data);  //post的数据内容curl_setopt($curl, CURLOPT_RETURNTRANSFER, true) ; //请求执行时，不将响应数据直接输出，而是以返回值的形式输出响应数据$res=curl_exec($curl); echo $res;  //少了这句就输不出来了curl_close($curl);

四、模拟post 文件上传

$url="./register.php";curl_setopt($curl, CURLOPT_URL,$url);curl_setopt($curl, CURLOPT_POST, true);  //设置请求为post$post_data=array('logo'=>'@D:\wamp\wamp\www\czbk\php&mysql\1.png'); // logo是$_FILES的name，后面的是图片路径，加@表示这是一个文件而不是字符串curl_setopt($curl, CURLOPT_POSTFIELDS, $post_data);  //post的数据内容curl_setopt($curl, CURLOPT_RETURNTRANSFER, true) ; //请求执行时，不将响应数据直接输出，而是以返回值的形式输出响应数据$res=curl_exec($curl); echo $res; curl_close($curl);

五、输出响应头

curl默认是不输出响应头的，如果要输出，则要加：curl_setopt($curl, CURLOPT_HEADER, true); 

$url="http://www.conglinfeng.com/together/member/index.php";curl_setopt($curl, CURLOPT_URL,$url);curl_setopt($curl, CURLOPT_HEADER, true);  //将响应头输出，默认是不输出的//  HTTP/1.1 200 OK Date: Thu, 15 Sep 2016 14:49:28 GMT Server: Apache/2.4.4 (Win32) PHP/5.4.16 X-Powered-By: PHP/5.4.16 Content-Length: 692 Content-Type: text/htmlcurl_exec($curl); curl_close($curl);

六、实例：CURL模拟登陆

可以简单和有效地抓取网页并采集内容，设置cookie完成模拟登录网页，curl提供了丰富的函数，开发者可以从PHP手册中获取更多关于cURL信息。本文以模拟登录开源中国(oschina)为例，和大家分享cURL的使用。

PHP的curl()在抓取网页的效率方面是比较高的，而且支持多线程，而file_get_contents()效率就要稍低些，当然，使用curl时需要开启下curl扩展。

先来看登录部分的代码：

//模拟登录 function login_post($url, $cookie, $post) {     $curl = curl_init();//初始化curl模块     curl_setopt($curl, CURLOPT_URL, $url);//登录提交的地址     curl_setopt($curl, CURLOPT_HEADER, 0);//是否显示头信息     curl_setopt($curl, CURLOPT_RETURNTRANSFER, 0);//是否自动显示返回的信息     curl_setopt($curl, CURLOPT_COOKIEJAR, $cookie); //设置Cookie信息保存在指定的文件中     curl_setopt($curl, CURLOPT_POST, 1);//post方式提交     curl_setopt($curl, CURLOPT_POSTFIELDS, http_build_query($post));//要提交的信息     curl_exec($curl);//执行cURL     curl_close($curl);//关闭cURL资源，并且释放系统资源 } 

函数login_post()首先初始化curl_init()，然后使用curl_setopt()设置相关选项信息，包括要提交的url地址，保存的cookie文件，post的数据（用户名和密码等信息），是否返回信息等等，然后curl_exec执行curl，最后curl_close()释放资源。注意PHP自带的http_build_query()可以将数组转换成相连接的字符串。

接下来如果登录成功后，我们要获取登录成功后的页面信息。

//登录成功后获取数据 function get_content($url, $cookie) {     $ch = curl_init();     curl_setopt($ch, CURLOPT_URL, $url);     curl_setopt($ch, CURLOPT_HEADER, 0);     curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);     curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie); //读取cookie     $rs = curl_exec($ch); //执行cURL抓取页面内容     curl_close($ch);     return $rs; } 

函数get_content()中也是先初始化curl，然后设置相关选项，执行curl，释放资源。其中我们设置CURLOPT_RETURNTRANSFER为1即自动返回信息，而CURLOPT_COOKIEFILE可以读取到登录时保存的cookie信息，最后将页面内容返回。

我们的最终目的是要获取到模拟登录后的信息，也就是只有正常登录成功后才能获取的有用信息。接下来我们以登录开源中国的移动版为例，看看如何抓取到登录成功后的信息。

//设置post的数据 $post = array (     'email' => 'oschina账户',     'pwd' => 'oschina密码',     'goto_page' => '/my',     'error_page' => '/login',     'save_login' => '1',     'submit' => '现在登录' );  //登录地址 $url = "http://m.oschina.net/action/user/login"; //设置cookie保存路径 $cookie = dirname(__FILE__) . '/cookie_oschina.txt'; //登录后要获取信息的地址 $url2 = "http://m.oschina.net/my"; //模拟登录 login_post($url, $cookie, $post); //获取登录页的信息 $content = get_content($url2, $cookie); //删除cookie文件 @ unlink($cookie); //匹配页面信息 $preg = "/<td class='portrait'>(.*)<\/td>/i"; preg_match_all($preg, $content, $arr); $str = $arr[1][0]; //输出内容 echo $str; 

七、封装CURL

为了便于日后调用，我们可以把这些操作封装起来。

1.模拟get或post请求

/** * curl()   curl模拟请求---一个参数是get请求，两个参数是post请求 * * 上传文件$post=array('logo'=>'@D:\wamp\wamp\www\czbk\php&mysql\1.png');  * logo是$_FILES的name，后面的是图片路径，加@表示这是一个文件而不是字符串 * * @param string $url   模拟请求的url * @param array $post   post请求时要提交的数据 * @param boolean $header  是否要将响应头输出 * @return string $str   返回响应结果 */function curl($url,$post=array(),$header=false){  if(!$url)   return;  //设置资源句柄  $curl=curl_init();  curl_setopt($curl, CURLOPT_URL,$url);  //如果传$post，则说明是post请求  if($post && is_array($post) && count($post)>0){       curl_setopt($curl, CURLOPT_POST, 1);       curl_setopt($curl, CURLOPT_POSTFIELDS, $post);       curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false); //不验证证书       curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false); //不验证证书  }  //请求执行时，不将响应数据直接输出，而是以返回值的形式输出响应数据  curl_setopt($curl, CURLOPT_RETURNTRANSFER, true);   //决定要不要将响应头输出  curl_setopt($curl, CURLOPT_HEADER,$header);   $str=curl_exec($curl);     //IGNORE 忽略转换时的错误，如果没有ignore参数，所有该字符后面的字符串都无法被保存。  $str = iconv("UTF-8","GBK//IGNORE",$str);  curl_close($curl);  return $str;}

  2.模拟登陆

/** * curl_login()   curl模拟登陆 * * @param string $logUrl   登陆地址url * @param string $desUrl   要访问页面的url * @param array $post    要提交的数据 * @param string $cookie=''  存储cookie的文件路径 * @return string $str   返回响应结果 */function curl_login($logUrl,$desUrl,$post,$cookie=''){ /********模拟登陆**********/    //初始化curl模块     $curl = curl_init();    //登录提交的地址     curl_setopt($curl, CURLOPT_URL,$logUrl);    //是否显示头信息    curl_setopt($curl, CURLOPT_HEADER, 0);     //是否自动显示返回的信息     curl_setopt($curl, CURLOPT_RETURNTRANSFER, 0);    //设置Cookie信息保存在指定的文件中     if(!$cookie)  $cookie=dirname(__FILE__) . '/cookie.txt';    if(!file_exists($cookie))}{      $fp=fopen($cookie, 'w'); fclose($fp);    }    curl_setopt($curl, CURLOPT_COOKIEJAR, $cookie);     //post方式提交     curl_setopt($curl, CURLOPT_POST, 1);    //提交信息，http_build_query()可以将数组转换成相连接的字符串。    curl_setopt($curl, CURLOPT_POSTFIELDS, http_build_query($post));     //执行cURL并关闭cURL资源，并且释放系统资源     curl_exec($curl);    curl_close($curl); /********登陆后获取数据**********/    $ch = curl_init();     curl_setopt($ch, CURLOPT_URL, $desUrl);     curl_setopt($ch, CURLOPT_HEADER, 0);     curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);     //读取cookie     curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie);     $rs = curl_exec($ch); //执行cURL抓取页面内容     curl_close($ch);     return $rs; }

   也可以把curl的操作封装成一个类 Curl.class.php

<?php/** *  CURL操作类，可用于模拟请求 *  @author leshen <[e-mail]> *  @version 1.1 *  usage: *1.设置选项 *  $options=array( *    'isReturn'=>true,   //将响应结果返回。如果不想获取源码而是想渲染页面，请设置为false *  'isHeader'=>true,   //将响应头返回 *   ); *  $curl=new Curl($options); *  2.模拟一般的get请求 *  $curl=new Curl(); *  $url="https://www.baidu.com"; *  var_dump($curl->curl_get($url)); *  3.模拟需要盗链的get请求（查询四六级为例） *  $curl=new Curl(); *  $url='http://www.chsi.com.cn/cet/query'; *  $referer="http://www.chsi.com.cn/cet"; *  $data=array('xm'=>'钟林生','zkzh'=>'360021161218718'); *  $respn=$curl->curl_get_chain($url,$data,$referer); *  var_dump($respn); *  4.模拟post请求（查询四六级为例） * $data=array( * 'name'=>'王勇平', * 'province'=>'江西', * 'school'=>'江西师范大学', * 'type'=>'1' *); *$url='http://cet.zy62.com/query/2'; *$curl=new Curl(); *var_dump($curl->curl_post($url,$data)); */class Curl{/**     * curl资源句柄     * @var resource     */    private $curl;    /*curl选项*/    private $isReturn;   //是否将响应结果返回    private $isHeader;   //是否将响应头返回    private $timeout;    //超时时间    private $userAgent;  //客户端代理    private $verifyPeer; //是否终止cURL从服务端进行验证    private $verifyHost; //检查服务器SSL证书中是否存在一个公用名    /**     * 构造方法，用于实例化一个curl对象     */    public function __construct($options=array()){        /*初始化资源句柄*/        $this->curl=curl_init();        /*初始化curl选项*/        $this->isReturn=isset($options['isReturn'])?$options['isReturn']:ture;        $this->isHeader=isset($options['isHeader'])?$options['isHeader']:false;        $this->timeout=isset($options['timeout'])?$options['timeout']:30;        $this->userAgent=isset($options['userAgent'])?$options['timeout']:           isset($_SERVER['HTTP_USER_AGENT'])?$_SERVER['HTTP_USER_AGENT']:         'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:38.0) Gecko/20100101 Firefox/38.0 FirePHP/0.7.4';        $this->verifyPeer=isset($options['verifyPeer'])?$options['verifyPeer']:false;        $this->verifyHost=isset($options['verifyHost'])?$options['verifyHost']:2;    }   /**     * 设置curl选项     * @param  string   $url  请求的url     * @param  boolean  $ssl 是否以https协议传输     * @return void      */    private function setOption($url,$ssl){/*设置curl选项*/curl_setopt($this->curl, CURLOPT_URL, $url);//URLcurl_setopt($this->curl, CURLOPT_USERAGENT, $this->userAgent);//userAgent，请求代理信息curl_setopt($this->curl, CURLOPT_TIMEOUT, $this->timeout);//设置超时时间/*SSL相关*/if ($ssl) {curl_setopt($this->curl, CURLOPT_SSL_VERIFYPEER,$this->verifyPeer);//禁用后cURL将终止从服务端进行验证curl_setopt($this->curl, CURLOPT_SSL_VERIFYHOST,$this->verifyHost);//检查服务器SSL证书中是否存在一个公用名(common name)。}    /*响应结果*/curl_setopt($this->curl, CURLOPT_HEADER, $this->isHeader);//是否返回响应头curl_setopt($this->curl, CURLOPT_RETURNTRANSFER, $this->isReturn);//curl_exec()是否返回响应结果    }/**     * 执行curl请求     * @return string  返回响应内容     */    private function exec(){/*发出请求*/$response = curl_exec($this->curl);if (false === $response) {echo '<br>', curl_error($this->curl), '<br>';return false;}curl_close($this->curl);return $response;    }/**     * curl模拟post请求,返回响应的内容     * @param  string   $url  请求的url     * @param  array    $data  发送的数据，数组     * @param  boolean  $ssl 是否以https协议传输,默认为true     * @return string   $response  返回响应的内容     */public function curl_post($url, $data, $ssl=true) {/*设置选项*/$this->setOption($url,$ssl);/*处理post相关选项*/curl_setopt($this->curl, CURLOPT_POST, true);// 是否为POST请求curl_setopt($this->curl, CURLOPT_POSTFIELDS, $data);// 设置post的内容/*执行curl请求*/if($this->isReturn){return $this->exec();}$this->exec();}/**     * curl模拟一般的get请求,返回响应的内容     * @param  string   $url  请求的url,可以带查询参数     * @param  boolean  $ssl 是否以https协议传输,默认为true     * @return string   $response  返回响应的内容     */public function curl_get($url,$ssl=true) {/*设置选项*/$this->setOption($url,$ssl);/*执行curl请求*/if($this->isReturn){return $this->exec();}$this->exec();}/**     * curl模拟需要盗链的get请求,返回响应的内容     * @param  string   $url  请求的url     * @param  array    $data  查询参数，数组形式，方法内会自动转换为字符串形式     * @param  string   $referer 盗链的url     * @param  boolean  $ssl 是否以https协议传输,默认为true     * @return string   $response  返回响应的内容     */public function curl_get_chain($url,$data,$referer,$ssl=true){/*设置选项*/$this->setOption($url,$ssl);$param='';foreach ($data as $k => $v) {$param.= urlencode($k).'='.urlencode($v).'&';}/*设置查询参数*/    curl_setopt($this->curl, CURLOPT_POST, 0);      curl_setopt($this->curl, CURLOPT_POSTFIELDS, $param);/*设置referer盗链*/curl_setopt($this->curl, CURLOPT_REFERER, $referer);      /*执行curl请求*/if($this->isReturn){return $this->exec();}$this->exec();}}