curl實(shí)現(xiàn)站外采集的方法和技巧

更新時間：2014年01月31日 11:11:27 作者：

curl是專門用來進(jìn)行網(wǎng)絡(luò)交互的庫，提供了一堆自定義選項(xiàng)，用來應(yīng)對不同的環(huán)境，穩(wěn)定性自然要大于file_get_contents

選擇curl的理由

關(guān)于curl與file_get_contents，摘抄一段通俗易懂的對比：
file_get_contents其實(shí)是一堆內(nèi)置的文件操作函數(shù)的合并版本，比如file_exists,fopen,fread,fclose，專門提供給懶人用的，而且它主要是用來對付本地文件的，但又是因?yàn)閼腥说脑?，同時加入了對網(wǎng)絡(luò)文件的支持；
curl是專門用來進(jìn)行網(wǎng)絡(luò)交互的庫，提供了一堆自定義選項(xiàng)，用來應(yīng)對不同的環(huán)境，穩(wěn)定性自然要大于file_get_contents。

使用方法

1、開啟curl支持

由于php環(huán)境安裝后默認(rèn)是沒有打開curl支持的，需修改php.ini文件，找到;extension=php_curl.dll，把前面的冒號去掉，重啟服務(wù)即可；

2、使用curl進(jìn)行數(shù)據(jù)抓取

復(fù)制代碼代碼如下:

// 初始化一個 cURL 對象 
$curl = curl_init(); 
// 設(shè)置你需要抓取的URL 
curl_setopt($curl, CURLOPT_URL, 'http://www.cmx8.cn'); 
// 設(shè)置header 
curl_setopt($curl, CURLOPT_HEADER, 1); 
// 設(shè)置cURL 參數(shù)，要求結(jié)果保存到字符串中還是輸出到屏幕上。 
curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1); 
// 運(yùn)行cURL，請求網(wǎng)頁 
$data = curl_exec($curl); 
// 關(guān)閉URL請求 
curl_close($curl);

3、通過正則匹配找到關(guān)鍵數(shù)據(jù)

復(fù)制代碼代碼如下:

//$data是curl_exec返回的的值，即采集的目標(biāo)內(nèi)容 
preg_match_all("/<li class=\"item\">(.*?)<\/li>/",$data, $out, PREG_SET_ORDER); 
foreach($out as $key => $value){ 
    //此處$value是數(shù)組，同時記錄找到帶匹配字符的整句和單獨(dú)匹配的字符 
    echo '匹配到的整句：'.$value[0].'
'; 
    echo '單獨(dú)匹配到的：'.$value[1].'
'; 
}

技巧

1、超時的相關(guān)設(shè)置

通過curl_setopt($ch, opt) 可以設(shè)置一些超時的設(shè)置，主要包括：

CURLOPT_TIMEOUT 設(shè)置cURL允許執(zhí)行的最長秒數(shù)。
CURLOPT_TIMEOUT_MS 設(shè)置cURL允許執(zhí)行的最長毫秒數(shù)。 (在cURL 7.16.2中被加入。從PHP 5.2.3起可使用。 )
CURLOPT_CONNECTTIMEOUT 在發(fā)起連接前等待的時間，如果設(shè)置為0，則無限等待。
CURLOPT_CONNECTTIMEOUT_MS 嘗試連接等待的時間，以毫秒為單位。如果設(shè)置為0，則無限等待。在cURL 7.16.2中被加入。從PHP 5.2.3開始可用。
CURLOPT_DNS_CACHE_TIMEOUT 設(shè)置在內(nèi)存中保存DNS信息的時間，默認(rèn)為120秒。

復(fù)制代碼代碼如下:

curl_setopt($ch, CURLOPT_TIMEOUT, 60);   //只需要設(shè)置一個秒的數(shù)量就可以 
curl_setopt($ch, CURLOPT_NOSIGNAL, 1);    //注意，毫秒超時一定要設(shè)置這個 
curl_setopt($ch, CURLOPT_TIMEOUT_MS, 200);  //超時毫秒，cURL 7.16.2中被加入。從PHP 5.2.3起可使用 

2、通過post提交數(shù)據(jù)，保留cookie

復(fù)制代碼代碼如下:

//以下摘抄一個例子過來，用于學(xué)習(xí)借鑒: 
//Curl 模擬登錄 discuz 程序,適合DZ7.0 

!extension_loaded('curl') && die('The curl extension is not loaded.');    

$discuz_url = 'http://www.lxvoip.com';//論壇地址    
$login_url = $discuz_url .'/logging.php?action=login';//登錄頁地址    
$get_url = $discuz_url .'/my.php?item=threads'; //我的帖子    

$post_fields = array();    
//以下兩項(xiàng)不需要修改    
$post_fields['loginfield'] = 'username';    
$post_fields['loginsubmit'] = 'true';    
//用戶名和密碼，必須填寫    
$post_fields['username'] = 'lxvoip';    
$post_fields['password'] = '88888888';    
//安全提問    
$post_fields['questionid'] = 0;    
$post_fields['answer'] = '';    
//@todo驗(yàn)證碼    
$post_fields['seccodeverify'] = '';    

//獲取表單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數(shù)據(jù)，獲取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);    

//帶著上面得到的COOKIE獲取需要登錄后才能查看的頁面內(nèi)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);