PHP网络爬虫之CURL学习

爱被打了一巴掌 2022-07-19 06:00 138阅读 0赞

## 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URL curl_setopt($curlobj, CURLOPT_RETURNTRANSFER, true); // 执行之后不直接打印出来 $output=curl_exec($curlobj); // 执行 curl_close($curlobj); // 关闭cURL echo str_replace("百度","屌丝",$output); ?>

**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); ?>

**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=zjzhoufy@126.com&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URL curl_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cURL echo $output; ?>

**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=demo_peter@126.com&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URL curl_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cURL echo $output; /** * 自定义实现页面链接跳转抓取 */ function curl_redir_exec($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; } } ?>

**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 300s curl_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); ?>

**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URL curl_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cURL echo $output; ?>

## 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>';

运行结果为：

Array
    (
        [foo] => bar
        [baz] => boom
        [site] => www.nowamagic.net
        [name] => nowa magic
    )

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.  `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

参考：[http://www.cnblogs.com/lazycat-cz/p/4050436.html][http_www.cnblogs.com_lazycat-cz_p_4050436.html]

[http://www.cnblogs.com/fyy-888/p/5381992.html][http_www.cnblogs.com_fyy-888_p_5381992.html]

[http_www.cnblogs.com_lazycat-cz_p_4050436.html]: http://www.cnblogs.com/lazycat-cz/p/4050436.html
[http_www.cnblogs.com_fyy-888_p_5381992.html]: http://www.cnblogs.com/fyy-888/p/5381992.html