php curl抓取网页的介绍和推广及使用CURL抓取淘宝页面集成方法

5年以前 | 阅读数：399 次 | 编程语言：PHP

php的curl可以用来实现抓取网页，分析网页数据用，简洁易用，这里介绍其函数等就不详细描述，放上代码看看:

只保留了其中几个主要的函数。实现模拟登陆，其中可能涉及到session捕获，然后前后页面涉及参数提供形式。

　　libcurl主要功能就是用不同的协议连接和沟通不同的服务器~也就是相当封装了的sock

　　PHP 支持libcurl(允许你用不同的协议连接和沟通不同的服务器)。, libcurl当前支持http, https, ftp, gopher, telnet, dict, file, 和ldap 协议。libcurl同样支持HTTPS证书授权，HTTP POST, HTTP PUT, FTP 上传(当然你也可以使用PHP的ftp扩展), HTTP基本表单上传，代理，cookies,和用户认证。

　　为了使用CURL函数你需要安装CURL包。PHP 需要你使用CURL 7.0.2-beta或更高版。如果CURL的版本低于7.0.2-beta，PHP将不工作。

　　要使用PHP的CURL支持，你必须用带有--with-curl[=DIR]参数重新编译PHP(DIR是包含库和头文件的目录)。

　　这些函数是在PHP 4.0.2中新增得。

　　一旦你编译了带有CURL支持的PHP，你可以使用curl函数。基本思路是：你使用curl_init()函数初始化 CURL会话，而后你可以设置你的所有选项，通过curl_exec()函数执行，最后你可以作用curl_close()函数来结束你的会话。以下是一个例子：是把PHP的主页取回放到一个文件中。

　　例 1. 使用PHP的CURL模块取回PHP主页


    $ch = curl_init ("http://www.php.net/");
    　　$fp = fopen ("php_homepage.txt", "w");
    　　curl_setopt ($ch, CURLOPT_FILE, $fp);
    　　curl_setopt ($ch, CURLOPT_HEADER, 0);
    　　curl_exec ($ch);
    　　curl_close ($ch);
    　　fclose ($fp);
    　　?>

　　目录列表

　　curl_init ― 初始化一个CURL会话

　　curl_setopt ― 为CURL调用设置一个选项

　　curl_exec ― 执行一个CURL会话

　　curl_close ― 关闭一个CURL会话

　　curl_version ― 返回当前CURL版本

　　* curl扩展的安装

　　PHP已经内置有php_curl.dll,在ext目录下,此DLL用于支持SSL和zlib.

　　在php.ini中找到有extension=php_curl.dll, 去掉前面的注释.

　　设置extension_dir=你的php的ext目录（例如c:/php/ext）

　　把ext目录下的libeay32.dll, ssleay32.dll, php5ts.dll, php_curl.dll 都拷贝到system32目录下，重启apache即可。

　　curl_init

　　curl_init -- 初始化一个CURL会话

　　描述


    int curl_init ([string url])

　　curl_init()函数将初始化一个新的会话，返回一个CURL句柄供curl_setopt(), curl_exec(),和 curl_close() 函数使用。如果可选参数被提供，那么CURLOPT_URL选项将被设置成这个参数的值。你可以使用curl_setopt()函数人工设置。

　　例 1. 初始化一个新的CURL会话，且取回一个网页


    $ch = curl_init();
    　　curl_setopt ($ch, CURLOPT_URL, "http://www.zend.com/");
    　　curl_setopt ($ch, CURLOPT_HEADER, 0);
    　　curl_exec ($ch);
    　　curl_close ($ch);
    　　?>

　　参见：curl_close(), curl_setopt()

　　* curl_setopt

　　curl_setopt -- 为CURL调用设置一个选项

　　描述　


    　bool curl_setopt (int ch, string option, mixed value)

　　curl_setopt()函数将为一个CURL会话设置选项。option参数是你想要的设置，value是这个选项给定的值。

　　下列选项的值将被作为长整形使用(在option参数中指定)：

　　CURLOPT_INFILESIZE: 当你上传一个文件到远程站点，这个选项告诉PHP你上传文件的大小。

　　CURLOPT_VERBOSE: 如果你想CURL报告每一件意外的事情，设置这个选项为一个非零值。

　　CURLOPT_HEADER: 如果你想把一个头包含在输出中，设置这个选项为一个非零值。

　　CURLOPT_NOPROGRESS: 如果你不会PHP为CURL传输显示一个进程条，设置这个选项为一个非零值。

　　注意：PHP自动设置这个选项为非零值，你应该仅仅为了调试的目的来改变这个选项。

　　CURLOPT_NOBODY: 如果你不想在输出中包含body部分，设置这个选项为一个非零值。

　　CURLOPT_FAILONERROR: 如果你想让PHP在发生错误(HTTP代码返回大于等于300)时，不显示，设置这个选项为一人非零值。默认行为是返回一个正常页，忽略代码。

　　CURLOPT_UPLOAD: 如果你想让PHP为上传做准备，设置这个选项为一个非零值。

　　CURLOPT_POST: 如果你想PHP去做一个正规的HTTP POST，设置这个选项为一个非零值。这个POST是普通的 application/x-www-from-urlencoded 类型，多数被HTML表单使用。

　　CURLOPT_FTPLISTONLY: 设置这个选项为非零值，PHP将列出FTP的目录名列表。

　　CURLOPT_FTPAPPEND: 设置这个选项为一个非零值，PHP将应用远程文件代替覆盖它。

　　CURLOPT_NETRC: 设置这个选项为一个非零值，PHP将在你的 ~./netrc 文件中查找你要建立连接的远程站点的用户名及密码。

　　CURLOPT_FOLLOWLOCATION: 设置这个选项为一个非零值(象 "Location: ")的头，服务器会把它当做HTTP头的一部分发送(注意这是递归的，PHP将发送形如 "Location: "的头)。

　　CURLOPT_PUT: 设置这个选项为一个非零值去用HTTP上传一个文件。要上传这个文件必须设置CURLOPT_INFILE和CURLOPT_INFILESIZE选项.

　　CURLOPT_MUTE: 设置这个选项为一个非零值，PHP对于CURL函数将完全沉默。

　　CURLOPT_TIMEOUT: 设置一个长整形数，作为最大延续多少秒。

　　CURLOPT_LOW_SPEED_LIMIT: 设置一个长整形数，控制传送多少字节。

　　CURLOPT_LOW_SPEED_TIME: 设置一个长整形数，控制多少秒传送CURLOPT_LOW_SPEED_LIMIT规定的字节数。

　　CURLOPT_RESUME_FROM: 传递一个包含字节偏移地址的长整形参数，(你想转移到的开始表单)。

　　CURLOPT_SSLVERSION: 传递一个包含SSL版本的长参数。默认PHP将被它自己努力的确定，在更多的安全中你必须手工设置。

　　CURLOPT_TIMECONDITION: 传递一个长参数，指定怎么处理CURLOPT_TIMEVALUE参数。你可以设置这个参数为TIMECOND_IFMODSINCE 或 TIMECOND_ISUNMODSINCE。这仅用于HTTP。

　　CURLOPT_TIMEVALUE: 传递一个从1970-1-1开始到现在的秒数。这个时间将被CURLOPT_TIMEVALUE选项作为指定值使用，或被默认TIMECOND_IFMODSINCE使用。

　　下列选项的值将被作为字符串：

　　CURLOPT_URL: 这是你想用PHP取回的URL地址。你也可以在用curl_init()函数初始化时设置这个选项。

　　CURLOPT_USERPWD: 传递一个形如[username]:[password]风格的字符串,作用PHP去连接。

　　CURLOPT_PROXYUSERPWD: 传递一个形如[username]:[password] 格式的字符串去连接HTTP代理。

　　CURLOPT_RANGE: 传递一个你想指定的范围。它应该是"X-Y"格式，X或Y是被除外的。HTTP传送同样支持几个间隔，用逗句来分隔(X-Y,N-M)。

　　CURLOPT_POSTFIELDS: 传递一个作为HTTP "POST"操作的所有数据的字符串。

　　CURLOPT_REFERER: 在HTTP请求中包含一个"referer"头的字符串。

　　CURLOPT_USERAGENT: 在HTTP请求中包含一个"user-agent"头的字符串。

　　CURLOPT_FTPPORT: 传递一个包含被ftp "POST"指令使用的IP地址。这个POST指令告诉远程服务器去连接我们指定的IP地址。这个字符串可以是一个IP地址，一个主机名，一个网络界面名(在UNIX下)，或是'-'(使用系统默认IP地址)。

　　CURLOPT_COOKIE: 传递一个包含HTTP cookie的头连接。

　　CURLOPT_SSLCERT: 传递一个包含PEM格式证书的字符串。

　　CURLOPT_SSLCERTPASSWD: 传递一个包含使用CURLOPT_SSLCERT证书必需的密码。

　　CURLOPT_COOKIEFILE: 传递一个包含cookie数据的文件的名字的字符串。这个cookie文件可以是Netscape格式，或是堆存在文件中的HTTP风格的头。

　　CURLOPT_CUSTOMREQUEST: 当进行HTTP请求时，传递一个字符被GET或HEAD使用。为进行DELETE或其它操作是有益的，更Pass a string to be used instead of GET or HEAD when doing an HTTP request. This is useful for doing or another, more obscure, HTTP request.

　　注意: 在确认你的服务器支持命令先不要去这样做。

　　下列的选项要求一个文件描述(通过使用fopen()函数获得)：

　　CURLOPT_FILE: 这个文件将是你放置传送的输出文件，默认是STDOUT.

　　CURLOPT_INFILE: 这个文件是你传送过来的输入文件。

　　CURLOPT_WRITEHEADER: 这个文件写有你输出的头部分。

　　CURLOPT_STDERR: 这个文件写有错误而不是stderr。

　　* curl_exec

　　curl_exec -- 执行一个CURL会话

　　描述

　　bool curl_exec (int ch)

　　在你初始化一个CURL会话，及为这个会话设置了所有的选项后，这个函数将被调用。它的目的仅仅是执行预先确定的CURL会话(通过给定的ch参数)。

　　* curl_close

　　curl_close -- 关闭一个CURL会话

　　描述

　　void curl_close (int ch)

　　这个函数关闭一个CURL会话，并且释放所有的资源。CURL句柄(ch参数)也被删除。

　　* curl_version

　　curl_version -- 返回当前CURL版本

　　描述

　　string curl_version (void)

curl_version()函数返回一个包含CURL版本的字符串。


    <?php 
    class MultiHttpRequest{ 
      public $urls = array(); 
      public $curlopt_header = 0; 
      public $cookie_file = ''; 
      public $collect_save_file = ''; 
      public $start_timestamp = ''; 
      public $end_timestamp = ''; 
      private $log_handle = ''; 
      private $collect_save_handle = ''; 
      private $db_conn = false; 
      private $pre_break_goods_id = ''; //上一次强制退出的id 
      private $per_break_brand_id = ''; //上一次更新到的brand_id 
      private $main_log_id = '';    //本次更新的主表日志id 
      private $start_time = ''; 
      public $login_session = ''; 
      public $date_char = ''; 
      private $mode = ''; 
      private $sql_log_handle = ''; 
      function __construct($upgrade_date='', $force_upt=false) 
      { 
         $this->mysql_init();   
         } 
        private function mysql_init(){ 
        $db_name = 'dbname'; 
        $db_user = 'name'; 
        $db_pass = 'pass'; 
        $db_host = 'localhost'; 
        $db_conn = mysql_connect($db_host, $db_user, $db_pass) ; 
        if(!$db_conn){ 
          echo '数据库连接失败!'; 
          exit; 
        } 
        $this->db_conn = $db_conn; 
        mysql_select_db($db_name); 
      } 
      public function init_login(){ 
        //第一步模拟登陆 
        $target_url = 'http://www.test.com/login.jsp'; 
        //post 提交的数据 
        $post_fields = array( 
        'username'  => '卓雅秀淘宝', 
        'password'  => 'joarshow.taobao.com', 
        't_url'    => '', 
        'Submit2'  => ' 登 录 ' 
        ); 
        //保存登陆的cookie 
        $cookie_file = dirname(__FILE__).'/cookie_'.time().'.txt'; 
        $this->cookie_file = $cookie_file; 
        //存cookie 
        $ch = curl_init($target_url); 
        curl_setopt($ch, CURLOPT_HEADER, 1); 
        //   curl_setopt($ch, CURLOPT_COOKIESESSION, 1); 
        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); 
        $login_contents = curl_exec($ch); 
        curl_close($ch); 
      } 
      /** 
       * 测试 
       * 
       * @param unknown_type $test_url 
       */ 
      public function get_one_file($test_url){ 
        $ch = curl_init($test_url); 
        curl_setopt($ch, CURLOPT_HEADER, 0); 
        curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); 
        curl_setopt($ch,CURLOPT_COOKIE, $this->login_session); 
        curl_setopt($ch, CURLOPT_REFERER, 'http://www.test.com/welcome.shtml'); 
        curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729)'); 
        $contents = curl_exec($ch); 
        curl_close($ch); 
        return $contents; 
      } 
      public function point_url_brand($url){ 
        $ch = curl_init($url); 
        curl_setopt($ch, CURLOPT_HEADER, 0); 
        curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); 
        curl_setopt($ch,CURLOPT_COOKIE, $this->login_session); 
        curl_setopt($ch, CURLOPT_REFERER, 'http://www.test.com/product.shtml'); 
        curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.2; SV1; .NET CLR 1.1.4322; .NET CLR 2.0.50727; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729)'); 
        $contents = curl_exec($ch); 
        //   echo htmlspecialchars($contents);exit; 
        curl_close($ch); 
        return $contents; 
      } 
    }

使用CURL抓取淘宝页面集成方法

代码如下：


     /**
       * 根据地址抓取淘宝页面html代码
       * @param type $url 地址
       * @return boolean
       */
      public function getTaoBaoHtml($url) {
        if (empty($url)) {
          return false;
        }
        $ch = curl_init();
        // 设置 url
        curl_setopt($ch, CURLOPT_URL, $url);
        // 设置浏览器的特定header
        curl_setopt($ch, CURLOPT_HTTPHEADER, array(
          "User-Agent: {Mozilla/5.0 (Windows NT 6.1; WOW64; rv:26.0) Gecko/20100101 Firefox/26.0}",
          "Accept: {text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8}",
          "Accept-Language: {zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3}",
          "Cookie:{cq=ccp%3D1; cna=a7suCzOmSTECAXgg9iCf4AtX; t=671b2069c7e8ac444da66d664a397a5f; tracknick=%5Cu4F0D%5Cu6653%5Cu8F8901;
     _tb_token_=nDiU1vCuzFd0; cookie2=c54709ffbe04a5ccb80283c34d6b00fa; 
    pnm_cku822=128WsMPac%2FFS4KgNn%2BYfhzduo4U2NC0zh9cAS4%3D%
    7CWUCLjKhqr873bOIFQcMecSw%3D%7CWMEKRlV%
    2B3D9a6XWaidNWNQOSWXwaXugvQHzhxALh%7CX0
    YLbX78NUR2b2DHoxnIqZENQqR35TBZbfQ5vooI0b6GHZA3U1kr%7CXkdILog
    Cr878ZK9I%2B%2FE3QjAD3lFJJaAZRA%3D%3D%7CXUeMwMR2s%
    2BTUQk8IPP5TNgWfUjQwonccMCxihTa0fRYgtjgfa4j6%7CXMY
    K7F8liOvH3hMUpzXkiaU%2FJw%3D%3D}",
        ));
        // 页面内容我们并不需要
        curl_setopt($ch, CURLOPT_NOBODY, 0);
        // 只需返回HTTP header
        curl_setopt($ch, CURLOPT_HEADER, 0);
        // 返回结果，而不是输出它
        //curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
        curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1);
        ob_start();
        curl_exec($ch);
        $html = ob_get_contents();
        ob_end_clean();
        curl_close($ch);
        return $html;
      }