curl实现站外采集的方法和技巧

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

     // 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

     //$data是curl_exec返回的的值,即采集的目标内容
     preg_match_all("/<li class=\"item\">(.*?)<\/li>/",$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。

      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

     //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('/<input\s*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);
    

参考:

http://blog.sina.com.cn/s/blog_640738130100tsig.html

http://www.dedecms.com/knowledge/program/php/2012/0815/4723_3.html

若您觉得我的博文对您有帮助,欢迎点击下方按钮对我打赏
打赏