curl实现站外采集的方法和技巧_php教程-查字典教程网
curl实现站外采集的方法和技巧
curl实现站外采集的方法和技巧
发布时间:2016-12-29 来源:查字典编辑
摘要:选择curl的理由关于curl与file_get_contents,摘抄一段通俗易懂的对比:file_get_contents其实是一堆内置...

选择curl的理由

关于curl与file_get_contents,摘抄一段通俗易懂的对比:

file_get_contents其实是一堆内置的文件操作函数的合并版本,比如file_exists,fopen,fread,fclose,专门提供给懒人用的,而且它主要是用来对付本地文件的,但又是因为懒人的原因,同时加入了对网络文件的支持;

curl是专门用来进行网络交互的库,提供了一堆自定义选项,用来应对不同的环境,稳定性自然要大于file_get_contents。

使用方法

1、开启curl支持

由于php环境安装后默认是没有打开curl支持的,需修改php.ini文件,找到;extension=php_curl.dll,把前面的冒号去掉,重启服务即可;

2、使用curl进行数据抓取

复制代码 代码如下:

// 初始化一个 cURL 对象

$curl = curl_init();

// 设置你需要抓取的URL

curl_setopt($curl, CURLOPT_URL, 'http://www.cmx8.cn');

// 设置header

curl_setopt($curl, CURLOPT_HEADER, 1);

// 设置cURL 参数,要求结果保存到字符串中还是输出到屏幕上。

curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);

// 运行cURL,请求网页

$data = curl_exec($curl);

// 关闭URL请求

curl_close($curl);

3、通过正则匹配找到关键数据

复制代码 代码如下:

//$data是curl_exec返回的的值,即采集的目标内容

preg_match_all("/<li>(.*?)</li>/",$data, $out, PREG_SET_ORDER);

foreach($out as $key => $value){

//此处$value是数组,同时记录找到带匹配字符的整句和单独匹配的字符

echo '匹配到的整句:'.$value[0].'

';

echo '单独匹配到的:'.$value[1].'

';

}

技巧

1、超时的相关设置

通过curl_setopt($ch, opt) 可以设置一些超时的设置,主要包括:

CURLOPT_TIMEOUT 设置cURL允许执行的最长秒数。

CURLOPT_TIMEOUT_MS 设置cURL允许执行的最长毫秒数。 (在cURL 7.16.2中被加入。从PHP 5.2.3起可使用。 )

CURLOPT_CONNECTTIMEOUT 在发起连接前等待的时间,如果设置为0,则无限等待。

CURLOPT_CONNECTTIMEOUT_MS 尝试连接等待的时间,以毫秒为单位。如果设置为0,则无限等待。 在cURL 7.16.2中被加入。从PHP 5.2.3开始可用。

CURLOPT_DNS_CACHE_TIMEOUT 设置在内存中保存DNS信息的时间,默认为120秒。

复制代码 代码如下:

curl_setopt($ch, CURLOPT_TIMEOUT, 60); //只需要设置一个秒的数量就可以

curl_setopt($ch, CURLOPT_NOSIGNAL, 1); //注意,毫秒超时一定要设置这个

curl_setopt($ch, CURLOPT_TIMEOUT_MS, 200); //超时毫秒,cURL 7.16.2中被加入。从PHP 5.2.3起可使用

2、通过post提交数据,保留cookie

复制代码 代码如下:

//以下摘抄一个例子过来,用于学习借鉴:

//Curl 模拟登录 discuz 程序,适合DZ7.0

!extension_loaded('curl') && die('The curl extension is not loaded.');

$discuz_url = 'http://www.lxvoip.com';//论坛地址

$login_url = $discuz_url .'/logging.php?action=login';//登录页地址

$get_url = $discuz_url .'/my.php?item=threads'; //我的帖子

$post_fields = array();

//以下两项不需要修改

$post_fields['loginfield'] = 'username';

$post_fields['loginsubmit'] = 'true';

//用户名和密码,必须填写

$post_fields['username'] = 'lxvoip';

$post_fields['password'] = '88888888';

//安全提问

$post_fields['questionid'] = 0;

$post_fields['answer'] = '';

//@todo验证码

$post_fields['seccodeverify'] = '';

//获取表单FORMHASH

$ch = curl_init($login_url);

curl_setopt($ch, CURLOPT_HEADER, 0);

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

$contents = curl_exec($ch);

curl_close($ch);

preg_match('/<inputs*type="hidden"s*name="formhash"s*value="(.*?)"s*/>/i', $contents, $matches);

if(!empty($matches)) {

$formhash = $matches[1];

} else {

die('Not found the forumhash.');

}

//POST数据,获取COOKIE

$cookie_file = dirname(__FILE__) . '/cookie.txt';

//$cookie_file = tempnam('/tmp');

$ch = curl_init($login_url);

curl_setopt($ch, CURLOPT_HEADER, 0);

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);

curl_setopt($ch, CURLOPT_POST, 1);

curl_setopt($ch, CURLOPT_POSTFIELDS, $post_fields);

curl_setopt($ch, CURLOPT_COOKIEJAR, $cookie_file);

curl_exec($ch);

curl_close($ch);

//带着上面得到的COOKIE获取需要登录后才能查看的页面内容

$ch = curl_init($get_url);

curl_setopt($ch, CURLOPT_HEADER, 0);

curl_setopt($ch, CURLOPT_RETURNTRANSFER, 0);

curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie_file);

$contents = curl_exec($ch);

curl_close($ch);

var_dump($contents);

相关阅读
推荐文章
猜你喜欢
附近的人在看
推荐阅读
拓展阅读
  • 大家都在看
  • 小编推荐
  • 猜你喜欢
  • 最新php教程学习
    热门php教程学习
    编程开发子分类