php采集神器cURL使用方法详解

5年以前 | 阅读数：378 次 | 编程语言：PHP

对于做过数据采集的人来说，cURL一定不会陌生。虽然在PHP中有file_get_contents函数可以获取远程链接的数据，但是它的可控制性太差了，对于各种复杂情况的采集情景，file_get_contents显得有点无能为力。因此，本文将为你介绍采集神器cURL的使用。

先给大家补充一下file_get_contents函数可以获取远程链接数据的方法。


    <?php
    $url = "http://git.oschina.net/yunluo/API/raw/master/notice.txt";
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, 10);
    $notice = curl_exec($ch);
    echo $notice;
    ?>

这段代码会直接使用curl显示文件内容，但是问题来了，因为curl是php的扩展，有的主机为了安全会金庸curl的，宁外php本地调试的时候也是关闭curl的，所以会发生报错，所以这段代码是不可取的，所以云落对他重新改写了


    <?php
      if (function_exists('curl_init')) {
        $url = "http://git.oschina.net/yunluo/API/raw/master/notice.txt";
        $ch = curl_init();
        curl_setopt($ch, CURLOPT_URL, $url);
        curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
        curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, 10);
        $dxycontent = curl_exec($ch);
        echo $dxycontent;
      } else {
        echo '汗！貌似您的服务器尚未开启curl扩展，无法收到来自云落的通知，请联系您的主机商开启，本地调试请无视';
      }
    ?>

修改后的版本是对curl扩展做一个判断，看看服务器到底有木有打开curl扩展，如果打开了，就直接显示文件，如果没打开就显示一段提示文字。
虽然修复了问题，但是又有一个问题来了，我只是显示一段文字而已，我也不是是用什么做什么大事的，所以我为什么要写那么多的代码呢？？
经过一些瞎掰的检测，发现file_get_contents获取远程文件内容的速度不比curl慢，在一些文件较少的情况下可能还比curl扩展要快得多，所以我又重写了代码


    <?php echo file_get_contents( "http://git.oschina.net/yunluo/API/raw/master/notice.txt" ); ?>

工具
火狐浏览器（FireFox） + Firebug
"工欲善其事，必先利其器。" 在分析案例之前，先让我们学习一下如何利用神器Firebug获取我们必要的信息。
使用F12打开Firebug，我们可以得到如图（一）界面：

1、箭头图标是"元素选择"工具，单击一次会高亮图标，同时，鼠标在页面内的移动会同时在HTML菜单中选定相应的内容，此时单击内容则表示选定了该元素，图标高亮取消。如图（二）所示：
Firebug查看元素

2、控制台
JS里面的console.log系列函数的打印就是在这里输出。
3、HTML
HTML内容，注意这里看到的不一定是采集要解析的内容，采集时候对内容的分析，一律以查看源码（Ctrl+U）为准，这里只是能快速定位元素的结构，然后再选择一个比较特殊的参照，在源码中定位相应的位置。
比如，你在HTML里面看到一个标签是

Demo

，但是你查看源码时候看到的内容可能是

Demo

，如果你对采集内容按照前者去做正则匹配，那么你会得不到结果。
4、CSS
这里是CSS文件内容
5、脚本
这里是Javascript文件内容
6、DOM
Dom节点内容
7、网络
每一个请求链接的数据，这里是我们采集要关注和分析的地方，它能够显示每一个请求的参数、请求头、Cookie数据等。在页面提交会刷新的情况下，需要使用保持，使得页面请求内容在刷新后仍然留着控制台中，如图（三）所示：

另外，火狐还有一款 Tamper data 扩展也能得到请求数据，必要时可以安装使用。
8、Cookies
Cookie数据

在图（一）中还看到下面有很多可选的小菜单项，其中保持是我们要关注的，当选择它的时候，即使提交表单刷新了页面，下面内容区域的数据还是会保留，这个对于分析提交数据特别关键。

总结
我们在分析采集请求的时候，主要关心"网络"菜单里的请求数据，必要时候使用"保持"以查看刷新页面的请求数据，请求前可以使用"清除"先清除下面的内容。

案例解析
一、简单的采集
这里所指的简单采集，是指一个单一页面GET请求的采集，它简单得即使通过file_get_contents函数也能轻松获得页面返回结果。

代码片段之file_get_contents


    <?php
      $url = 'http://demo.zjmainstay.cn/php/curl/simple.html';
      $content = file_get_contents($url);
      echo $content;

代码片段之cURL


    <?php
      $url = 'http://demo.zjmainstay.cn/php/curl/simple.html';
      $ch = curl_init($url);
      curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); //返回数据不直接输出
      $content = curl_exec($ch);          //执行并存储结果
      curl_close($ch);

      echo $content;

二、需要参数的采集
这种情况，页面请求需要传入一些参数，可以是GET请求，也可以是POST请求。这种情况的采集，使用file_get_contents外带一些参数还是可以实现的，但是这里我们将不再展示。

代码片段之cURL GET
这种请求，我们可以选择搜索引擎作为演示，比如我百度搜索一个词语"PHP cURL"，在输入回车后，我们会得到一个类似http://www.baidu.com/s?ie=utf-8&f;=8&rsv;_bp=1&ch;=&tn;=baidu&bar;=&wd;=PHP%20cURL的链接，注意这里的链接可能不同浏览器、不同入口方式访问得到不一样结果，因此不必介意链接是否一样。通过输入多个关键词并观察链接，我们可以确定 wd 参数就是我们要传入的动态参数，而其他参数则可以不变，因此得到我们下面的采集代码。


    <?php
      $keyword  = 'PHP cURL';
      $url    = 'http://www.baidu.com/s?ie=utf-8&f;=8&rsv;_bp=1&ch;=&tn;=baidu&bar;=&wd;=' . urlencode($keyword);

      $ch = curl_init($url);
      curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); //返回数据不直接输出
      $content = curl_exec($ch);          //执行并存储结果
      curl_close($ch);

      echo $content;

有些时候，一些参数并不是必须的，这时候我们可以删掉它，比如上面的链接可以只保留http://www.baidu.com/s?ie=utf-8&wd;=PHP%20cURL，ie=utf-8 这个参数可能影响结果的编码，所以暂且留着它。就这样简单的代码，我们就可以采集到百度搜索的结果了。

代码片段之cURL POST
对于POST类型的请求，我们平时并不少见，比如有些搜索就是使用POST方式提交，这时候我们就需要使用POST类型来提交参数了。这个在PHP cURL里面有相应的参数：CURLOPT_POST 和 CURLOPT_POSTFIELDS ， CURLOPT_POST 的设置可以指定当前提交是否为POST方式，CURLOPT_POSTFIELDS则用于设定提交的参数，可以是参数串，也可以是参数数组，比如：


    curl_setopt($ch, CURLOPT_POSTFIELDS, 'ie=utf-8&wd;=PHP%20cURL');

    或

    curl_setopt($ch, CURLOPT_POSTFIELDS, array(
      'ie'  => 'utf-8',
      'wd'  => 'PHP%20cURL',
    ));

下面是我做的一个POST模拟搜索PHP POST 搜索，后端是使用了前面的百度关键词搜索，基本原理就是，客户端提交一个关键词到我服务器，我服务器使用该关键词请求百度的搜索，然后得到结果，返回到客户端。
如图（四）是利用Firebug对请求数据的分析，得到我们需要提交的请求链接和请求参数：

然后下面是我们的代码：


    <?php
      $keyword  = 'PHP cURL';
      //参数方法一
      // $post    = 'wd=' . urlencode($keyword);

      //参数方法二
      $post    = array(
        'wd'    => urlencode($keyword),
      );
      $url    = 'http://demo.zjmainstay.cn/php/curl/search.php';

      $ch = curl_init($url);
      curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); //返回数据不直接输出
      curl_setopt($ch, CURLOPT_POST, 1);      //发送POST类型数据
      curl_setopt($ch, CURLOPT_POSTFIELDS, $post); //POST数据，$post可以是数组，也可以是拼接
      $content = curl_exec($ch);          //执行并存储结果
      curl_close($ch);

      var_dump($content);

三、需要Referer的采集
对于一些程序，它可能判断来源网址，如果发现referer不是自己的网站，则拒绝访问，这时候，我们就需要添加CURLOPT_REFERER参数，模拟来路，使得程序能够正常采集。


    <?php
      $keyword  = 'PHP cURL';
      //参数方法一
      // $post    = 'wd=' . urlencode($keyword);

      //参数方法二
      $post    = array(
        'wd'    => urlencode($keyword),
      );
      $url    = 'http://demo.zjmainstay.cn/php/curl/search_refer.php';
      $refer   = 'http://demo.zjmainstay.cn/';  //来路地址

      $ch = curl_init($url);
      curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); //返回数据不直接输出
      curl_setopt($ch, CURLOPT_REFERER, $refer);  //来路模拟
      curl_setopt($ch, CURLOPT_POST, 1);      //发送POST类型数据
      curl_setopt($ch, CURLOPT_POSTFIELDS, $post); //POST数据，$post可以是数组，也可以是拼接
      $content = curl_exec($ch);          //执行并存储结果
      curl_close($ch);

      var_dump($content);

search_refer.php的源码如下，做了简单的Referer判断拦截：


    <?php
      if(empty($_POST['wd'])) {
        exit('Deny empty params.');
      }

      //Referer判断
      if(stripos($_SERVER['HTTP_REFERER'], $_SERVER['HTTP_HOST']) === false) {
        exit('Deny');
      }

      $keyword  = addslashes(trim(strip_tags($_POST['wd'])));
      $url    = 'http://www.baidu.com/s?ie=utf-8&wd;=' . urlencode($keyword);

      $ch = curl_init($url);
      curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); //返回数据不直接输出
      $content = curl_exec($ch);          //执行并存储结果
      curl_close($ch);

      echo $content;

四、需要cookie支持的采集
对于模拟登录的应用，单单提交参数和模拟来路并不能解决问题，这时候我们就需要保存或者提交相应的Cookie参数，这个在PHP cURL里面也提供了相应的参数:
CURLOPT_COOKIE：直接使用字符串方式提交cookie参数
CURLOPT_COOKIEFILE：使用文件方式提交cookie参数
CURLOPT_COOKIEJAR：保存提交后反馈的cookie数据

下面是PHP100的模拟登录示例：


    <?php 
    header("content-Type: text/html; charset=UTF-8");
    $cookie_file = tempnam('./temp', 'cookie');
    $login_url="http://bbs.php100.com/login.php";
    $post_fields="cktime=36000&step;=2&pwuser;=username&pwpwd;=password";

    //提交登录表单请求
    $ch=curl_init($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,$cookie_file); //存储提交后得到的cookie数据
    curl_exec($ch);
    curl_close($ch);

    //登录成功后，获取bbs首页数据
    $url="http://bbs.php100.com/index.php";
    $ch=curl_init($url);
    curl_setopt($ch,CURLOPT_HEADER,0);
    curl_setopt($ch,CURLOPT_RETURNTRANSFER,1);
    curl_setopt($ch,CURLOPT_COOKIEFILE,$cookie_file); //使用提交后得到的cookie数据做参数
    $contents=curl_exec($ch);
    curl_close($ch);
    //转码显示
    echo iconv('gbk', 'UTF-8', $contents);

五、压缩网页采集（gzip）
有些没有接触过压缩页面的朋友估计会在这里被坑死，因为他们会发现采集回来的内容是乱码，并且无论使用iconv还是强大的mb_convert_encoding都无法还原数据，然后又没有概念，各种抓狂却找不到方法，哈哈，我曾经也是这样~
如图（五）是乱码表现形式：

还好最后功夫不负有心人，还是找到了，它就是CURLOPT_ENCODING参数。
比如，采集搜狐的新闻时候就遇到gzip压缩问题，下面是示例：


    <?php
      $url = 'http://news.sohu.com/';

      $ch = curl_init($url);
      curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); //返回数据不直接输出
      curl_setopt($ch, CURLOPT_ENCODING, "gzip"); //指定gzip压缩
      $content = curl_exec($ch); //执行并存储结果
      curl_close($ch);
      echo $content;

手册说明：支持的编码有"identity"，"deflate"和"gzip"。如果为空字符串""，请求头会发送所有支持的编码类型。
后面一句表明，使用curl_setopt($ch, CURLOPT_ENCODING, "");也是可以的，但是不能不加这个参数。

六、SSL链接的采集
有些请求链接是https类型的，这时候使用cURL采集可能会失败，这时候，我们可以使用 var_dump(curl_error($ch));的方法打印错误提示，然后根据错误提示查找相应的解决方案。比如SSL错误常见提示：SSL certificate problem: unable to get local issuer certificate，这时候，我们就需要利用参数：CURLOPT_SSL_VERIFYPEER 和 CURLOPT_SSL_VERIFYHOST 来禁用SSL证书的验证，我尝试过只使用CURLOPT_SSL_VERIFYPEER参数禁用失败，所以大家最好同时使用两个参数。
下面是代码示例：


    <?php
      $searchStr = 'RC376981638HK';
      $post  = 'accion=LocalizaUno&numero;='.$searchStr.'&ecorreo;=&numeros;=';

      $url  = 'https://aplicacionesweb.correos.es/localizadorenvios/track.asp';

      $ch         = curl_init($url);       //初始化curl
      curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);    //返回数据不直接输出
      curl_setopt($ch, CURLOPT_POST, 1);         //发送POST类型数据
      curl_setopt($ch, CURLOPT_POSTFIELDS, $post);    //POST数据，$post可以是数组，也可以是拼接参数串
      curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);  //SSL 报错时使用
      curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, false);  //SSL 报错时使用
      $contents = curl_exec($ch);               //执行并存储结果
      // var_dump(curl_error($ch));            //获取失败是使用（采集错误提示）
      curl_close($ch);
      echo $contents;

七、代理采集
大家都知道，国内存在万恶的墙，所以，假如我们需要获取某些被墙数据时，就需要用到国外代理服务器；又或者我们需要采集大量数据时，需要不断切换IP，也会用到代理。
使用代理在PHP cURL里面有几个相对应的参数：CURLOPT_PROXY、CURLOPT_PROXYPORT 和 CURLOPT_PROXYUSERPWD，还有另外几个，这里不列举。
CURLOPT_PROXY 指定代理IP参数
CURLOPT_PROXYPORT 指定代理端口参数
CURLOPT_PROXYUSERPWD 指定需要验证的代理的账号密码，"[username]:[password]"格式的字符串

关于代理账号获取，大家自己发挥，我这里提供网上搜索到的一个列表：cURL 高匿代理

下面是代理采集示例：


    <?php
      $url = 'http://demo.zjmainstay.cn/php/curl/dump_ip.php?t=' . time();

      echo "本地IP：" . file_get_contents($url) . "\n伪造IP：";

      $ip   = '183.224.1.116';
      $port  = '80';

      //伪造请求头参数，如果是高匿代理这里不需要提供
      $header = array(
        'X-FORWARDED-FOR: ' . $ip,
        'CLIENT-IP: ' . $ip,
      );

      $ch         = curl_init($url); //初始化curl
      curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
      curl_setopt($ch, CURLOPT_HTTPHEADER, $header);
      curl_setopt($ch, CURLOPT_PROXY, $ip);
      curl_setopt($ch, CURLOPT_PROXYPORT, $port);

      $content = curl_exec($ch); //执行并存储结果
      curl_close($ch);

      echo $content;

八、多线程采集
对于大量采集工作，为了提高采集效率，使用PHP cURL提供的多线程采集是必不可少的。手册上提供的多线程采集例子好像都不太好用，我刚开始也从里面测试了几个例子，但是发现都是执行卡死，根本无法执行完成，前几天突然又测试了一下，然后发现curl_multi_info_read函数下面的Example #1是可以执行的，它的内容在$res上，但是没有打印出来，而且雅虎的请求比较慢，会卡住，前面两个链接都能正常返回。
不过，还好当时的例子不好用，然后我经过搜索找到了一个很厉害的项目，CurlMulti ，它对PHP cURL Multi 进行了一个良性扩展的封装，能够很好地提供采集支持。
关于CurlMulti的使用我就不多介绍，官网上面提供了demo，使用过程有技术难题可以直接加入Q群讨论，作者@Ares 和其他的采集大牛都会提供技术解答帮助。
下面是PHP cURL Multi的一个简单示例：


    <?php
    $urls = array(
      "http://demo.zjmainstay.cn/php/curl/curl_multi_1.php",
      "http://demo.zjmainstay.cn/php/curl/curl_multi_2.php",
    );

    $mh = curl_multi_init();

    foreach ($urls as $i => $url) {
      $conn[$i] = curl_init($url);
      curl_setopt($conn[$i], CURLOPT_RETURNTRANSFER, 1); //不直接输出结果
      curl_multi_add_handle($mh, $conn[$i]);
    }

    $active = null;
    $res = array();
    do {
      $status = curl_multi_exec($mh, $active);
      $info = curl_multi_info_read($mh);
      if (false !== $info) {
        //采集信息处理
        $res[] = array(
          'content'  => curl_multi_getcontent($info['handle']),
          'info'   => $info,
        );
        curl_close($info['handle']);
      }
    } while ($status === CURLM_CALL_MULTI_PERFORM || $active);

    curl_multi_close($mh);

    var_dump($res);

九、302跳转（301跳转）
对于一些应用，比如模拟登录，如果遇上302跳转，会导致cookie丢失而使得模拟登录失败，请求现象如图（六）所示：

这个时候，可以使用：


    curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);

关于CURLOPT_FOLLOWLOCATION，手册说明是：

启用时会将服务器服务器返回的"Location: "放在header中递归的返回给服务器，使用CURLOPT_MAXREDIRS可以限定递归返回的数量。
我个人理解，通俗点讲就是后面的跳转会继续跟踪访问，而且cookie在header里面被保留了下来。

十、模拟上传文件
在PHP手册的curl_setopt函数中，关于CURLOPT_POSTFIELDS有如下描述：


    全部数据使用HTTP协议中的"POST"操作来发送。要发送文件，在文件名前面加上@前缀并使用完整路径。这个参数可以通过urlencoded后的字符串类似'para1=val1&para2;=val2&...'或使用一个以字段名为键值，字段数据为值的数组。如果value是一个数组，Content-Type头将会被设置成multipart/form-data。

对于上传文件，这句话包含两个信息：

1. 要上传文件，post的数据参数必须使用数组，使得Content-Type头将会被设置成multipart/form-data。
2. 要上传文件，在文件名前面加上@前缀并使用完整路径。
因此，模拟文件上传可以按照如下实现：


    //上传D盘下的test.jpg文件，文件必须存在，否则curl处理失败且没有任何提示
    $data = array('name' => 'Foo', 'file' => '@d:/test.jpg');

    $ch = curl_init('http://localhost/upload.php');
    curl_setopt($ch, CURLOPT_POST, 1);
    curl_setopt($ch, CURLOPT_POSTFIELDS, $data);
    curl_exec($ch);

本地测试的时候，在upload.php文件中打印出\$_POST和\$_FILES即可验证是否上传成功，如下： ``` <?php print_r($_POST);
print_r($_FILES);

输出结果类似：


    Array ( [name] => Foo ) Array ( [file] => Array ( [name] => test.jpg [type] => application/octet-stream [tmp_name] => D:\xampp\tmp\php2EA0.tmp [error] => 0 [size] => 139999 ) )

关于CURLOPT_POSTFIELDS的赋值，另外补充一句描述：
传递一个数组到CURLOPT_POSTFIELDS，cURL会把数据编码成 multipart/form-data，而然传递一个URL-encoded字符串时，数据会被编码成 application/x-www-form-urlencoded。

即：


    curl_setopt(\(ch, CURLOPT_POSTFIELDS, 'param1=val1&param2;=val2&...'); 和 curl_setopt(\)ch, CURLOPT_POSTFIELDS, array('param1' => 'val1', 'param2' => 'val2', ...));

这样一个功能强大的采集神器cURL的使用方法为大家介绍到这，希望对大家的学习有所帮助。