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

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

代码如下:

//$data是curl_exec返回的的值，即采集的目标内容
preg_match_all("/

/",$data,$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。

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

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($ch,0);
curl_setopt($ch,1);
$contents = curl_exec($ch);
curl_close($ch);
preg_match('//i',$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($ch,1);
curl_setopt($ch,CURLOPT_POST,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($ch,CURLOPT_COOKIEFILE,$cookie_file);
$contents = curl_exec($ch);
curl_close($ch); var_dump($contents);

curl实现站外采集的方法和技巧

猜你在找的PHP相关文章