PHP网络爬虫之CURL学习

HP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);
?>
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=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;
?>
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=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; 
 } 
} 
?>
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 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);
?>
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;
?>
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：

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

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

法1: 用file_get_contents以get方式获取内容：

<?php$url='https://wenda.shukaiming.com/';echo file_get_contents($url);?>

方法2: 用fopen打开url, 以get方式获取内容：

<?php//r标识read，即标识只读$fp=fopen($url, 'r');stream_get_meta_data($fp);while(!feof($fp)) {$body.=fgets($fp, 1024);}echo $body;fclose($fp);?>

方法3：用file_get_contents函数,以post方式获取url

<?php$data=array (‘foo'=> ‘bar');$data=http_build_query($data);$opts=array ('http'=> array ('method'=> 'POST','header'=> 'Content-type: application/x-www-form-urlencodedrn' .'Content-Length: ' . strlen($data) . '\r\n','content'=> $data));$context=stream_context_create($opts);$html=file_get_contents('https://wenda.shukaming.com', false, $context);echo $html;?>

方法4：用fsockopen函数打开url，以get方式获取完整的数据，包括header和body,fsockopen需要 PHP.ini 中allow_url_fopen选项开启

<?phpfunction get_url ($url,$cookie=false){$url=parse_url($url);$query=$url[path].”?”.$url[query];echo $query;$fp=fsockopen( $url[host], $url[port]?$url[port]:80 , $errno, $errstr, 30);if (!$fp) {return false;} else {$request="GET $query HTTP/1.1\r\n";$request .="Host: $url[host]\r\n";$request .="Connection: Close\r\n";if($cookie) $request.="Cookie: $cookien";$request.="\r\n";fwrite($fp,$request);while(!@feof($fp)) {$result .=@fgets($fp, 1024);}fclose($fp);return $result;}}//获取url的html部分，去掉headerfunction GetUrlHTML($url,$cookie=false){$rowdata=get_url($url,$cookie);if($rowdata){$body=stristr($rowdata,”\r\n\r\n”);$body=substr($body,4,strlen($body));return $body;}return false;}?>

方法5：用fsockopen函数打开url，以POST方式获取完整的数据，包括header和body

<?phpfunction HTTP_Post($URL,$data,$cookie, $referrer=""){// parsing the given URL$URL_Info=parse_url($URL);// Building referrerif($referrer=="") // if not given use this script as referrer$referrer="111";// making string from $dataforeach($data as $key=>$value)$values[]="$key=".urlencode($value);$data_string=implode("&",$values);// Find out which port is needed – if not given use standard (=80)if(!isset($URL_Info["port"]))$URL_Info["port"]=80;// building POST-request:$request.="POST ".$URL_Info["path"]." HTTP/1.1\n";$request.="Host: ".$URL_Info["host"]."\n";$request.="Referer: $referer\n";$request.="Content-type: application/x-www-form-urlencodedn";$request.="Content-length: ".strlen($data_string)."\n";$request.="Connection: closen";$request.="Cookie: $cookien";$request.="\n";$request.=$data_string."\n";$fp=fsockopen($URL_Info["host"],$URL_Info["port"]);fputs($fp, $request);while(!feof($fp)) {$result .=fgets($fp, 1024);}fclose($fp);return $result;}?>

方法6:使用curl库，使用curl库之前，可能需要查看一下php.ini是否已经打开了curl扩展

<?php
$ch=curl_init();
$timeout=5;
curl_setopt ($ch, CURLOPT_URL,'http://wenda.shukaiming.com');
curl_setopt ($ch, CURLOPT_RETURNTRANSFER,1);
curl_setopt ($ch, CURLOPT_CONNECTTIMEOUT, $timeout);
$file_contents=curl_exec($ch);
curl_close($ch);
echo $file_contents;
?>

于项目要求，需要利用php做一个获取远程页面html状态码的功能，用来判断远程页面是否可以访问，就类似那种HTML页面状态码检测工具一样。整理了一下代码，贴出来。有需要的可以拿去用哦。

php获取远程页面的html状态码，有两种方法。一种是用了php的内置函数 get_headers()，一种是用了 curl 方法。

php获取html状态码的方法

方法一：

<?php
$arr=get_headers('http://feiniaomy.com');
echo $arr[0];
echo '<br/>';
$arr1=get_headers('http://www.feiniaomy.com');
echo $arr1[0];
echo '<br/>';
$arr2=get_headers('https://www.feiniaomy.com');
echo $arr2[0];
?>

输出结果：

HTTP/1.1 301 Moved Permanently
HTTP/1.1 301 Moved Permanently
HTTP/1.1 200 OK

注：

由于测试网址(本博客url) HTTP 协议都301到了 HTTPS 协议的 www 二级域名上，所以前两次会输出html的301状态码，最后一次是直接请求的 HTTPS 协议的地址，直接返回 HTML 200的状态码。

方法二：

<?php
$ch=curl_init('https://www.baidu.com');
curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);
curl_exec($ch);
$httpcode=curl_getinfo($ch,CURLINFO_HTTP_CODE); 
curl_close($ch);
?>

返回结果：

在线咨询

上一篇：PBAT转产PBT不香吗？15家PBT企业盘点
下一篇：javascript基础-介绍以及作用、组成

您的项目需求

*请认真填写需求信息，我们会在24小时内与您取得联系。

整合营销服务商

PHP网络爬虫之CURL学习

HP的CURL

原生PHP模拟http请求

php获取html状态码的方法

您的项目需求