当前位置:首页 > PHP教程 > php高级应用 > 列表

php curl网站采集的实现程序

发布:smiling 来源: PHP粉丝网  添加日期:2015-04-15 11:05:24 浏览: 评论:0 

网站采集功能现在多半会使用火车头这些软件来实现了,但是对于一些定时或小的采集我们可以使用程序来实现,在php中curl是当选的一个函数了,下面一起来看看curl网站采集的实现程序吧.

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m提供了一堆自定义选项m用来应对不同的环境m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

  1. // 初始化一个 cURL 对象 
  2. $curl = curl_init(); 
  3. // 设置你需要抓取的URL 
  4. curl_setopt($curl, CURLOPT_URL, 'http://www.phpfensi.com'); 
  5. // 设置header 
  6. curl_setopt($curl, CURLOPT_HEADER, 1); 
  7. // 设置cURL 参数,要求结果保存到字符串中还是输出到屏幕上。 
  8. curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1); 
  9. // 运行cURL,请求网页 
  10. $data = curl_exec($curl); 
  11. // 关闭URL请求 
  12. curl_close($curl); 

3、通过正则匹配找到关键数据.

  1. //$data是curl_exec返回的的值,即采集的目标内容 
  2. preg_match_all("/<li class=\"item\">(.*?)<\/li>/",$data$out, PREG_SET_ORDER); 
  3. foreach($out as $key => $value){ 
  4.     //此处$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 
  5.     echo '匹配到的整句:'.$value[0].' 
  6. '; 
  7.     echo '单独匹配到的:'.$value[1].' 
  8. '; 

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.

  1. curl_setopt($ch, CURLOPT_TIMEOUT, 60);   //只需要设置一个秒的数量就可以 
  2. curl_setopt($ch, CURLOPT_NOSIGNAL, 1);    //注意,毫秒超时一定要设置这个 
  3. 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

  1. //以下摘抄一个例子过来,用于学习借鉴: 
  2. //Curl 模拟登录 discuz 程序,适合DZ7.0 
  3.  
  4. !extension_loaded('curl') && die('The curl extension is not loaded.');    
  5.     
  6. $discuz_url = 'http://www.phpfensi.com';//论坛地址    
  7. $login_url = $discuz_url .'/logging.php?action=login';//登录页地址    
  8. $get_url = $discuz_url .'/my.php?item=threads'//我的帖子    
  9.     
  10. $post_fields = array();    
  11. //以下两项不需要修改    
  12. $post_fields['loginfield'] = 'username';    
  13. $post_fields['loginsubmit'] = 'true';    
  14. //用户名和密码,必须填写    
  15. $post_fields['username'] = 'lxvoip';    
  16. $post_fields['password'] = '88888888';    
  17. //安全提问    
  18. $post_fields['questionid'] = 0;    
  19. $post_fields['answer'] = '';    
  20. //@todo验证码    
  21. $post_fields['seccodeverify'] = '';    
  22.     
  23. //获取表单FORMHASH    
  24. $ch = curl_init($login_url);    
  25. curl_setopt($ch, CURLOPT_HEADER, 0);    
  26. curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);    
  27. $contents = curl_exec($ch);    
  28. curl_close($ch);    
  29. preg_match('/<input\s*type="hidden"\s*name="formhash"\s*value="(.*?)"\s*\/>/i'$contents$matches);    
  30. if(!emptyempty($matches)) {    
  31.     $formhash = $matches[1];    
  32. else {    
  33.     die('Not found the forumhash.');    
  34. }    
  35.     
  36. //POST数据,获取COOKIE    
  37. $cookie_file = dirname(__FILE__) . '/cookie.txt';    
  38. //$cookie_file = tempnam('/tmp');    
  39. $ch = curl_init($login_url);    
  40. curl_setopt($ch, CURLOPT_HEADER, 0);    
  41. curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);    
  42. curl_setopt($ch, CURLOPT_POST, 1);    
  43. curl_setopt($ch, CURLOPT_POSTFIELDS, $post_fields);    
  44. curl_setopt($ch, CURLOPT_COOKIEJAR, $cookie_file);    
  45. curl_exec($ch);    
  46. curl_close($ch);    
  47.     
  48. //带着上面得到的COOKIE获取需要登录后才能查看的页面内容    
  49. $ch = curl_init($get_url);    
  50. curl_setopt($ch, CURLOPT_HEADER, 0);    
  51. curl_setopt($ch, CURLOPT_RETURNTRANSFER, 0);    
  52. curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie_file);    
  53. $contents = curl_exec($ch);    
  54. curl_close($ch);    
  55.     
  56. var_dump($contents); 

在使用curl 中有一些心得给各位分享一下.

编码转换

首先通过查看源代码找到采集的网站使用的编码,通过mb_convert_encoding函数进行转码;

具体使用方法:

  1. //源字符是$str 
  2.  
  3. //以下已知原编码为GBK,转换为utf-8 
  4. mb_convert_encoding($str"UTF-8""GBK"); 
  5.  
  6. //以下未知原编码,通过auto自动检测后,转换编码为utf-8 
  7. mb_convert_encoding($str"UTF-8""auto"); 

3、为更好地避开换行符和空格等不定因素的阻碍,有必要先清除采集到的源码中的换行符、空格符和制表符.

  1. //方法一,使用str_replace进行替换 
  2. $contents = str_replace("\r\n"''$contents); //清除换行符 
  3. $contents = str_replace("\n"''$contents); //清除换行符 
  4. $contents = str_replace("\t"''$contents); //清除制表符 
  5. $contents = str_replace(" "''$contents); //清除空格符 
  6.  
  7. //方法二,使用正则表达式进行替换 
  8. $contents = preg_replace("/([\r\n|\n|\t| ]+)/",'',$contents); 

4、通过正则表达式匹配找出需要获得的代码段,使用preg_match_all实现该匹配

函数解释:

int preg_match_all ( string pattern, string subject, array matches [, int flags] )

pattern即正规表达式

subject即要进行查找的原文

matches是用于储存输出结果的数组

flags是储存的模式,包括:

PREG_PATTERN_ORDER;  //整个数组是二维数组,$arr1[0]是包括边界所构成匹配字符串的数组,$arr1[1]除去边界所构成的匹配字符串的数组

PREG_SET_ORDER;  //整个数组是二维数组,$arr2[0][0]是第一个包括边界所构成的匹配的字符串,$arr2[0][1]是第一个除去边界所构成的匹配的字符串,之后的数组以此类推

PREG_OFFSET_CAPTURE; //整个数组是三维数组,$arr3[0][0][0]是第一个包括边界所构成的匹配的字符串,$arr3[0][0][1]是到达第一个匹配字符串的边界的偏移量(边界不算在内),之后以此类推,$arr2[1][0][0]是第一个包括边界所构成的匹配的字符串,$arr3[1][0][1]是到达第一个匹配字符串的边界的偏移量(边界算在内);

  1. //实际应用 
  2. preg_match_all('/<pclass=\"content\">(.*?)<\/p>/',$contents$out, PREG_SET_ORDER); 
  3. $out将获取到所有匹配的元素 
  4. $out[0][0]将是包括<pclass=\"content\"></p>在内的全段字符 
  5. $out[0][1]将是仅包括(.*?)括号内所匹配到的字符段 
  6.  
  7. //如此类推,第n个匹配到的字段可以用以下方法取得 
  8. $out[n-1][1] 
  9.  
  10. //若正则表达式中存大多个括号,则取得句中第m个匹配点的方法是 
  11. $out[n-1][m] 

5、取得要找到字符后,若要去掉html标签,使用PHP自带的函数strip_tags即可方便地实现.

例:$result=strip_tags($out[0][1]);

上面只是把数据采集下载了,当然最好我们需要把$contents内容进入库处理了,这里就是简单的php数据查询保存的功能了,非常简单.

Tags: curl网站采集 php网站采集

分享到: