使用PHP的cURL库进行网页抓取

使用PHP的cURL库可以简单和有效地去抓网页 你只需要运行一个脚本 然后分析一下你所抓取的网页 然后就可以以程序的方式得到你想要的数据了 无论是你想从从一个链接上取部分数据 或是取一个XML文件并把其导入数据库 那怕就是简单的获取网页内容 cURL 是一个功能强大的PHP库 本文主要讲述如果使用这个PHP库

启用 cURL 设置

首先 我们得先要确定我们的PHP是否开启了这个库 你可以通过使用php_info()函数来得到这一信息

﹤?phpphpinfo()?﹥

如果你可以在网页上看到下面的输出 那么表示cURL库已被开启

如果你看到的话 那么你需要设置你的PHP并开启这个库 如果你是在Windows平台下 那么非常简单 你需要改一改你的php ini文件的设置 找到php_curl dll 并取消前面的分号注释就行了 如下所示

//取消下在的注释extension=php_curl dll

如果你是在Linux下面 那么 你需要重新编译你的PHP了 编辑时 你需要打开编译参数——在configure命令上加上 –with curl 参数

一个小示例

如果一切就绪 下面是一个小例程

﹤?php// 初始化一个 cURL 对象$curl = curl_init()

// 设置你需要抓取的URLcurl_setopt($curl CURLOPT_URL //cocre )

// 设置headercurl_setopt($curl CURLOPT_HEADER )

// 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 )

// 运行cURL 请求网页$data = curl_exec($curl)

// 关闭URL请求curl_close($curl)

// 显示获得的数据var_dump($data)

  如何POST数据

上面是抓取网页的代码 下面则是向某个网页POST数据 假设我们有一个处理表单的网址// example /sendSMS php 其可以接受两个表单域 一个是电话号码 一个是短信内容

﹤?php$phoneNumber = $message = This message was generated by curl and php $curlPost = pNUMBER= urlencode($phoneNumber) &MESSAGE= urlencode($message) &SUBMIT=Send $ch = curl_init()curl_setopt($ch CURLOPT_URL // example /sendSMS php )curl_setopt($ch CURLOPT_HEADER )curl_setopt($ch CURLOPT_RETURNTRANSFER )curl_setopt($ch CURLOPT_POST )curl_setopt($ch CURLOPT_POSTFIELDS $curlPost)$data = curl_exec()curl_close($ch)?﹥

从上面的程序我们可以看到 使用CURLOPT_POST设置HTTP协议的POST方法 而不是GET方法 然后以CURLOPT_POSTFIELDS设置POST的数据

　 　关于代理服务器

下面是一个如何使用代理服务器的示例 请注意其中高亮的代码 代码很简单 我就不用多说了

﹤?php $ch = curl_init()curl_setopt($ch CURLOPT_URL // example)curl_setopt($ch CURLOPT_HEADER )curl_setopt($ch CURLOPT_RETURNTRANSFER )curl_setopt($ch CURLOPT_HTTPPROXYTUNNEL )curl_setopt($ch CURLOPT_PROXY fakeproxy : )curl_setopt($ch CURLOPT_PROXYUSERPWD user:password )$data = curl_exec()curl_close($ch)?﹥ 关于SSL和Cookie

关于SSL也就是HTTPS协议 你只需要把CURLOPT_URL连接中的//变成//就可以了 当然 还有一个参数叫CURLOPT_SSL_VERIFYHOST可以设置为验证站点

关于Cookie 你需要了解下面三个参数

CURLOPT_COOKIE 在当面的会话中设置一个cookie

CURLOPT_COOKIEJAR 当会话结束的时候保存一个Cookie

CURLOPT_COOKIEFILE Cookie的文件

HTTP服务器认证

最后 我们来看一看HTTP服务器认证的情况

﹤?php $ch = curl_init()curl_setopt($ch CURLOPT_URL // example )curl_setopt($ch CURLOPT_RETURNTRANSFER )curl_setopt($ch CURLOPT_HTTPAUTH CURLAUTH_BASIC)curl_setopt(CURLOPT_USERPWD [username]:[password] )

$data = curl_exec()curl_close($ch)?﹥

关于其它更多的内容 请参看相关的cURL手册 lishixinzhi/Article/program/PHP/201311/21491

在 Python 中进行网页数据抓取时，如果需要发送 POST 请求，需要将需要提交的数据写在 post 的 data 字段中。具体写法如下：

其中，data 参数的值是一个字典类型，里面包含需要提交的数据。根据实际需要修改参数名和参数值即可。

---