PHP网络爬虫之CURL学习

2022-10-11 21:05:16 134 0
魁首哥

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


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

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

 '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, ""); // 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($curlobj, CURLOPT_URL, "");
curl_setopt($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;
?>
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

= $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


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


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 = "";
$context = stream_context_create($options);
$result = file_get_contents($url, false, $context);
echo $result;
 的代码为:
$data = $_POST;
echo '
';
print_r( $data );
echo '
'; 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(' 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(' false, $context);
//fopen输出文件指针处的所有剩余数据:
//fpassthru($fp); //fclose()前使用
 

收藏
分享
海报
0 条评论
134
上一篇:歌帝梵大白兔冰莹多少钱一杯在哪买(godiva大白兔冰莹好喝吗) 下一篇:领导没下班自己可以走吗(下班后该不该接工作电话)

本站已关闭游客评论,请登录或者注册后再评论吧~

忘记密码?

图形验证码