curl实现站外采集的方法和技巧

前端之家收集整理的这篇文章主要介绍了curl实现站外采集的方法和技巧前端之家小编觉得挺不错的,现在分享给大家,也给大家做个参考。

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);

    原文链接:https://www.f2er.com/php/25177.html

    猜你在找的PHP相关文章