www.adminn.cn
站长正能量分享网!

curl实现站外采集的方法和技巧

AD:阿里云服务器企业会员更优惠 腾讯云香港,韩国免备案服务器1.8折优惠

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

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,代码如下:

  1. // 初始化一个 cURL 对象  
  2. $curl = curl_init();  
  3. // 设置你需要抓取的URL  
  4. curl_setopt($curl, CURLOPT_URL, 'http://www.adminn.cn');  
  5. // 设置header  
  6. curl_setopt($curl, CURLOPT_HEADER, 1);  
  7. // 设置cURL 参数,要求结果保存到字符串中还是输出到屏幕上。  
  8. curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1);  
  9. // 运行cURL,请求网页  
  10. $data = curl_exec($curl);  
  11. // 关闭URL请求  
  12. curl_close($curl); 

3、通过正则匹配找到关键数据,代码如下:

  1. //$data是curl_exec返回的的值,即采集的目标内容  
  2. preg_match_all("/<li class=\"item\">(.*?)<\/li>/",$data$out, PREG_SET_ORDER);  
  3. foreach($out as $key => $value){  
  4.     //此处$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  
  5.     echo '匹配到的整句:'.$value[0].' 
  6. ';  
  7.     echo '单独匹配到的:'.$value[1].' 
  8. ';  

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,代码如下:

  1. curl_setopt($ch, CURLOPT_TIMEOUT, 60);   //只需要设置一个秒的数量就可以  
  2. curl_setopt($ch, CURLOPT_NOSIGNAL, 1);    //注意,毫秒超时一定要设置这个  
  3. 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,代码如下:

  1. //以下摘抄一个例子过来,用于学习借鉴:  
  2. //Curl 模拟登录 discuz 程序,适合DZ7.0  
  3.  
  4. !extension_loaded('curl') && die('The curl extension is not loaded.');     
  5.  
  6. $discuz_url = 'http://www.lxvoip.com';//论坛地址     
  7. $login_url = $discuz_url .'/logging.php?action=login';//登录页地址     
  8. $get_url = $discuz_url .'/my.php?item=threads'//我的帖子     
  9.  
  10. $post_fields = array();     
  11. //以下两项不需要修改     
  12. $post_fields['loginfield'] = 'username';     
  13. $post_fields['loginsubmit'] = 'true';     
  14. //用户名和密码,必须填写     
  15. $post_fields['username'] = 'lxvoip';     
  16. $post_fields['password'] = '88888888';     
  17. //安全提问     
  18. $post_fields['questionid'] = 0;     
  19. $post_fields['answer'] = '';     
  20. //@todo验证码     
  21. $post_fields['seccodeverify'] = '';     
  22.  
  23. //获取表单FORMHASH     
  24. $ch = curl_init($login_url);     
  25. curl_setopt($ch, CURLOPT_HEADER, 0);     
  26. curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);     
  27. $contents = curl_exec($ch);     
  28. curl_close($ch);     
  29. preg_match('/<input\s*type="hidden"\s*name="formhash"\s*value="(.*?)"\s*\/>/i'$contents$matches);     
  30. if(!emptyempty($matches)) {     
  31.     $formhash = $matches[1];     
  32. else {     
  33.     die('Not found the forumhash.');     
  34. }     
  35.  
  36. //POST数据,获取COOKIE     
  37. $cookie_file = dirname(__FILE__) . '/cookie.txt';     
  38. //$cookie_file = tempnam('/tmp');     
  39. $ch = curl_init($login_url);     
  40. curl_setopt($ch, CURLOPT_HEADER, 0);     
  41. curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);     
  42. curl_setopt($ch, CURLOPT_POST, 1);     
  43. curl_setopt($ch, CURLOPT_POSTFIELDS, $post_fields);     
  44. curl_setopt($ch, CURLOPT_COOKIEJAR, $cookie_file);     
  45. curl_exec($ch);     
  46. curl_close($ch);     
  47.  
  48. //带着上面得到的COOKIE获取需要登录后才能查看的页面内容     
  49. $ch = curl_init($get_url);     
  50. curl_setopt($ch, CURLOPT_HEADER, 0);     
  51. curl_setopt($ch, CURLOPT_RETURNTRANSFER, 0);     
  52. curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie_file);     
  53. $contents = curl_exec($ch);     
  54. curl_close($ch);     
  55.  
  56. var_dump($contents); 

模板优惠价: (点击购买)
版权声明:本文采用知识共享 署名4.0国际许可协议 [BY-NC-SA] 进行授权
文章名称:《curl实现站外采集的方法和技巧》
文章链接:https://www.adminn.cn/news/8524.html
本站资源模板仅供个人学习交流,请于下载后24小时内删除,不允许用于商业用途,否则法律问题自行承担。2021.5月起,网站调整,暂不再分享免费模板。谢谢理解

扫码支付后请联系右侧QQ发送下载地址!!

源码请勿用于任何涉灰站点!净化网络,站长更有责!

支付宝扫一扫打赏