PHP使用CURL抓取网页

CURL是一个非常强大的开源库，支持很多协议，包括HTTP、FTP、TELNET等，我们使用它来发送HTTP请求。它给我 们带来的好处是可以通过灵活的选项设置不同的HTTP协议参数，并且支持HTTPS。CURL可以根据URL前缀是“HTTP” 还是“HTTPS”自动选择是否加密发送内容。

使用CURL的PHP扩展完成一个HTTP请求的发送一般有以下几个步骤：

初始化连接句柄；
    设置CURL选项；
    执行并获取结果；
    释放CURL连接句柄。

一、使用curl模拟GET请求

$curl=curl_init();  //初始化curl句柄
$url="http://www.conglinfeng.com/together/detail.php?show_ID=5";  //要请求的url地址
curl_setopt($curl, CURLOPT_URL,$url);  //设置curl的参数，即要请求的url是$url
curl_exec($curl);  //执行操作
curl_close($curl);  //关闭句柄

执行curl_exec()时，成功时会输出网页代码，并且返回值为 TRUE，在失败时返回 FALSE。 然而，如果 CURLOPT_RETURNTRANSFER选
项被设置，函数执行成功时会返回执行的结果，失败时返回 FALSE 。

二、使用curl模拟post请求

$curl=curl_init();
$url="./register.php";
curl_setopt($curl, CURLOPT_URL,$url);
curl_setopt($curl, CURLOPT_POST, true);  //设置请求为post
$post_data=array('username'=>"嘿嘿",'password'=>'111111','confirm'=>'111111',
	'email'=>"986992484@qq.com");   //要发送的数据组装成一个数组
curl_setopt($curl, CURLOPT_POSTFIELDS, $post_data);  //post的数据内容
curl_exec($curl);
curl_close($curl);

register.php：

var_dump($_POST);

三、处理响应的数据

curl_exec()执行时会直接把响应数据输出，如果不需要直接输出，可以加：curl_setopt($curl, CURLOPT_RETURNTRANSFER, true) ;

$url="./register.php";
curl_setopt($curl, CURLOPT_URL,$url);
curl_setopt($curl, CURLOPT_POST, true);  //设置请求为post
$post_data=array('username'=>"嘿嘿",'password'=>'111111','confirm'=>'111111',
	'email'=>"986992484@qq.com");
curl_setopt($curl, CURLOPT_POSTFIELDS, $post_data);  //post的数据内容
curl_setopt($curl, CURLOPT_RETURNTRANSFER, true) ; //请求执行时，不将响应数据直接输出，而是以返回值的形式输出响应数据
$res=curl_exec($curl);
echo $res;  //少了这句就输不出来了
curl_close($curl);

四、模拟post 文件上传

$url="./register.php";
curl_setopt($curl, CURLOPT_URL,$url);
curl_setopt($curl, CURLOPT_POST, true);  //设置请求为post
$post_data=array('logo'=>'@D:\wamp\wamp\www\czbk\php&mysql\1.png'); // logo是$_FILES的name，后面的是图片路径，加@表示这是一个文件而不是字符串
curl_setopt($curl, CURLOPT_POSTFIELDS, $post_data);  //post的数据内容
curl_setopt($curl, CURLOPT_RETURNTRANSFER, true) ; //请求执行时，不将响应数据直接输出，而是以返回值的形式输出响应数据
$res=curl_exec($curl);
echo $res;
curl_close($curl);

五、输出响应头

curl默认是不输出响应头的，如果要输出，则要加：curl_setopt($curl, CURLOPT_HEADER, true);

$url="http://www.conglinfeng.com/together/member/index.php";
curl_setopt($curl, CURLOPT_URL,$url);
curl_setopt($curl, CURLOPT_HEADER, true);  //将响应头输出，默认是不输出的
//  HTTP/1.1 200 OK Date: Thu, 15 Sep 2016 14:49:28 GMT Server: Apache/2.4.4 (Win32) PHP/5.4.16 X-Powered-By: PHP/5.4.16 Content-Length: 692 Content-Type: text/html
curl_exec($curl);
curl_close($curl);

六、实例：CURL模拟登陆

可以简单和有效地抓取网页并采集内容，设置cookie完成模拟登录网页，curl提供了丰富的函数，开发者可以从PHP手册中获取更多关于cURL信息。本文以模拟登录开源中国(oschina)为例，和大家分享cURL的使用。

PHP的curl()在抓取网页的效率方面是比较高的，而且支持多线程，而file_get_contents()效率就要稍低些，当然，使用curl时需要开启下curl扩展。

先来看登录部分的代码：

//模拟登录
function login_post($url, $cookie, $post) {
    $curl = curl_init();//初始化curl模块
    curl_setopt($curl, CURLOPT_URL, $url);//登录提交的地址
    curl_setopt($curl, CURLOPT_HEADER, 0);//是否显示头信息
    curl_setopt($curl, CURLOPT_RETURNTRANSFER, 0);//是否自动显示返回的信息
    curl_setopt($curl, CURLOPT_COOKIEJAR, $cookie); //设置Cookie信息保存在指定的文件中
    curl_setopt($curl, CURLOPT_POST, 1);//post方式提交
    curl_setopt($curl, CURLOPT_POSTFIELDS, http_build_query($post));//要提交的信息
    curl_exec($curl);//执行cURL
    curl_close($curl);//关闭cURL资源，并且释放系统资源
}

函数login_post()首先初始化curl_init()，然后使用curl_setopt()设置相关选项信息，包括要提交的url地址，保存的cookie文件，post的数据（用户名和密码等信息），是否返回信息等等，然后curl_exec执行curl，最后curl_close()释放资源。注意PHP自带的http_build_query()可以将数组转换成相连接的字符串。

接下来如果登录成功后，我们要获取登录成功后的页面信息。

//登录成功后获取数据
function get_content($url, $cookie) {
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_HEADER, 0);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie); //读取cookie
    $rs = curl_exec($ch); //执行cURL抓取页面内容
    curl_close($ch);
    return $rs;
}

函数get_content()中也是先初始化curl，然后设置相关选项，执行curl，释放资源。其中我们设置CURLOPT_RETURNTRANSFER为1即自动返回信息，而CURLOPT_COOKIEFILE可以读取到登录时保存的cookie信息，最后将页面内容返回。

我们的最终目的是要获取到模拟登录后的信息，也就是只有正常登录成功后才能获取的有用信息。接下来我们以登录开源中国的移动版为例，看看如何抓取到登录成功后的信息。

//设置post的数据
$post = array (
    'email' => 'oschina账户',
    'pwd' => 'oschina密码',
    'goto_page' => '/my',
    'error_page' => '/login',
    'save_login' => '1',
    'submit' => '现在登录'
); 

//登录地址
$url = "http://m.oschina.net/action/user/login";
//设置cookie保存路径
$cookie = dirname(__FILE__) . '/cookie_oschina.txt';
//登录后要获取信息的地址
$url2 = "http://m.oschina.net/my";
//模拟登录
login_post($url, $cookie, $post);
//获取登录页的信息
$content = get_content($url2, $cookie);
//删除cookie文件
@ unlink($cookie);
//匹配页面信息
$preg = "/<td class='portrait'>(.*)<\/td>/i";
preg_match_all($preg, $content, $arr);
$str = $arr[1][0];
//输出内容
echo $str;

七、封装CURL

为了便于日后调用，我们可以把这些操作封装起来。

1.模拟get或post请求

/**
 * curl()   curl模拟请求---一个参数是get请求，两个参数是post请求
 *
 * 上传文件$post=array('logo'=>'@D:\wamp\wamp\www\czbk\php&mysql\1.png');
 * logo是$_FILES的name，后面的是图片路径，加@表示这是一个文件而不是字符串
 *
 * @param string $url   模拟请求的url
 * @param array $post   post请求时要提交的数据
 * @param boolean $header  是否要将响应头输出
 * @return string $str   返回响应结果
 */
function curl($url,$post=array(),$header=false){
  if(!$url)   return;

  //设置资源句柄
  $curl=curl_init();
  curl_setopt($curl, CURLOPT_URL,$url);

  //如果传$post，则说明是post请求
  if($post && is_array($post) && count($post)>0){
       curl_setopt($curl, CURLOPT_POST, 1);
       curl_setopt($curl, CURLOPT_POSTFIELDS, $post);
       curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, false); //不验证证书
       curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, false); //不验证证书
  }

  //请求执行时，不将响应数据直接输出，而是以返回值的形式输出响应数据
  curl_setopt($curl, CURLOPT_RETURNTRANSFER, true); 

  //决定要不要将响应头输出
  curl_setopt($curl, CURLOPT_HEADER,$header);
  $str=curl_exec($curl); 

  //IGNORE 忽略转换时的错误，如果没有ignore参数，所有该字符后面的字符串都无法被保存。
  $str = iconv("UTF-8","GBK//IGNORE",$str);
  curl_close($curl);

  return $str;
}

2.模拟登陆

/**
 * curl_login()   curl模拟登陆
 *
 * @param string $logUrl   登陆地址url
 * @param string $desUrl   要访问页面的url
 * @param array $post    要提交的数据
 * @param string $cookie=''  存储cookie的文件路径
 * @return string $str   返回响应结果
 */
function curl_login($logUrl,$desUrl,$post,$cookie=''){
 /********模拟登陆**********/
    //初始化curl模块
    $curl = curl_init();
    //登录提交的地址
    curl_setopt($curl, CURLOPT_URL,$logUrl);
    //是否显示头信息
    curl_setopt($curl, CURLOPT_HEADER, 0);
    //是否自动显示返回的信息
    curl_setopt($curl, CURLOPT_RETURNTRANSFER, 0);
    //设置Cookie信息保存在指定的文件中
    if(!$cookie)  $cookie=dirname(__FILE__) . '/cookie.txt';
    if(!file_exists($cookie))}{
      	$fp=fopen($cookie, 'w'); fclose($fp);
    }
    curl_setopt($curl, CURLOPT_COOKIEJAR, $cookie);
    //post方式提交
    curl_setopt($curl, CURLOPT_POST, 1);
    //提交信息，http_build_query()可以将数组转换成相连接的字符串。
    curl_setopt($curl, CURLOPT_POSTFIELDS, http_build_query($post));
    //执行cURL并关闭cURL资源，并且释放系统资源
    curl_exec($curl);
    curl_close($curl);
 /********登陆后获取数据**********/
    $ch = curl_init();
    curl_setopt($ch, CURLOPT_URL, $desUrl);
    curl_setopt($ch, CURLOPT_HEADER, 0);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    //读取cookie
    curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie);
    $rs = curl_exec($ch); //执行cURL抓取页面内容
    curl_close($ch);
    return $rs;
}

也可以把curl的操作封装成一个类 Curl.class.php

<?php

/**
 *  CURL操作类，可用于模拟请求
 *  @author leshen <986992484@qq.com>
 *  @version 1.1
 *  usage:
 *	1.设置选项
 *  $options=array(
 *    'isReturn'=>true,   //将响应结果返回。如果不想获取源码而是想渲染页面，请设置为false
 *	  'isHeader'=>true,   //将响应头返回
 *   );
 *  $curl=new Curl($options);
 *  2.模拟一般的get请求
 *  $curl=new Curl();
 *  $url="https://www.baidu.com";
 *  var_dump($curl->curl_get($url));
 *  3.模拟需要盗链的get请求（查询四六级为例）
 *  $curl=new Curl();
 *  $url='http://www.chsi.com.cn/cet/query';
 *  $referer="http://www.chsi.com.cn/cet";
 *  $data=array('xm'=>'钟林生','zkzh'=>'360021161218718');
 *  $respn=$curl->curl_get_chain($url,$data,$referer);
 *  var_dump($respn);
 *  4.模拟post请求（查询四六级为例）
 *	 $data=array(
 *	 'name'=>'王勇平',
 *	 'province'=>'江西',
 *	 'school'=>'江西师范大学',
 *	 'type'=>'1'
 *	);
 *	$url='http://cet.zy62.com/query/2';
 *	$curl=new Curl();
 *	var_dump($curl->curl_post($url,$data));
 */

class Curl{

	/**
     * curl资源句柄
     * @var resource
     */
    private $curl;

    /*curl选项*/
    private $isReturn;   //是否将响应结果返回
    private $isHeader;   //是否将响应头返回
    private $timeout;    //超时时间
    private $userAgent;  //客户端代理
    private $verifyPeer; //是否终止cURL从服务端进行验证
    private $verifyHost; //检查服务器SSL证书中是否存在一个公用名

    /**
     * 构造方法，用于实例化一个curl对象
     */
    public function __construct($options=array()){
        /*初始化资源句柄*/
        $this->curl=curl_init();
        /*初始化curl选项*/
        $this->isReturn=isset($options['isReturn'])?$options['isReturn']:ture;
        $this->isHeader=isset($options['isHeader'])?$options['isHeader']:false;
        $this->timeout=isset($options['timeout'])?$options['timeout']:30;
        $this->userAgent=isset($options['userAgent'])?$options['timeout']:
           isset($_SERVER['HTTP_USER_AGENT'])?$_SERVER['HTTP_USER_AGENT']:
        'Mozilla/5.0 (Windows NT 6.1; WOW64; rv:38.0) Gecko/20100101 Firefox/38.0 FirePHP/0.7.4';
        $this->verifyPeer=isset($options['verifyPeer'])?$options['verifyPeer']:false;
        $this->verifyHost=isset($options['verifyHost'])?$options['verifyHost']:2;
    }   

	/**
     * 设置curl选项
     * @param  string   $url  	请求的url
     * @param  boolean  $ssl 	是否以https协议传输
     * @return void
     */
    private function setOption($url,$ssl){
		/*设置curl选项*/
		curl_setopt($this->curl, CURLOPT_URL, $url);//URL
		curl_setopt($this->curl, CURLOPT_USERAGENT, $this->userAgent);//userAgent，请求代理信息
		curl_setopt($this->curl, CURLOPT_TIMEOUT, $this->timeout);//设置超时时间

		/*SSL相关*/
		if ($ssl) {
			curl_setopt($this->curl, CURLOPT_SSL_VERIFYPEER,$this->verifyPeer);//禁用后cURL将终止从服务端进行验证
			curl_setopt($this->curl, CURLOPT_SSL_VERIFYHOST,$this->verifyHost);//检查服务器SSL证书中是否存在一个公用名(common name)。
		}

	    /*响应结果*/
		curl_setopt($this->curl, CURLOPT_HEADER, $this->isHeader);//是否返回响应头
		curl_setopt($this->curl, CURLOPT_RETURNTRANSFER, $this->isReturn);//curl_exec()是否返回响应结果
    }

	/**
     * 执行curl请求
     * @return string  返回响应内容
     */
    private function exec(){
		/*发出请求*/
		$response = curl_exec($this->curl);
		if (false === $response) {
			echo '<br>', curl_error($this->curl), '<br>';
			return false;
		}
		curl_close($this->curl);
		return $response;
    }

	/**
     * curl模拟post请求,返回响应的内容
     * @param  string   $url  		请求的url
     * @param  array    $data  		发送的数据，数组
     * @param  boolean  $ssl 		是否以https协议传输,默认为true
     * @return string   $response  	返回响应的内容
     */
	public function curl_post($url, $data, $ssl=true) {
		/*设置选项*/
		$this->setOption($url,$ssl);

		/*处理post相关选项*/
		curl_setopt($this->curl, CURLOPT_POST, true);// 是否为POST请求
		curl_setopt($this->curl, CURLOPT_POSTFIELDS, $data);// 设置post的内容

		/*执行curl请求*/
		if($this->isReturn){
			return $this->exec();
		}
		$this->exec();
	}

	/**
     * curl模拟一般的get请求,返回响应的内容
     * @param  string   $url  		请求的url,可以带查询参数
     * @param  boolean  $ssl 		是否以https协议传输,默认为true
     * @return string   $response  	返回响应的内容
     */
	public function curl_get($url,$ssl=true) {
		/*设置选项*/
		$this->setOption($url,$ssl);

		/*执行curl请求*/
		if($this->isReturn){
			return $this->exec();
		}
		$this->exec();
	}	

	/**
     * curl模拟需要盗链的get请求,返回响应的内容
     * @param  string   $url  		请求的url
     * @param  array    $data  		查询参数，数组形式，方法内会自动转换为字符串形式
     * @param  string   $referer 	盗链的url
     * @param  boolean  $ssl 		是否以https协议传输,默认为true
     * @return string   $response  	返回响应的内容
     */
	public function curl_get_chain($url,$data,$referer,$ssl=true){
		/*设置选项*/
		$this->setOption($url,$ssl);
		$param='';
		foreach ($data as $k => $v) {
			$param.= urlencode($k).'='.urlencode($v).'&';
		}
		/*设置查询参数*/
    	curl_setopt($this->curl, CURLOPT_POST, 0);
  	    curl_setopt($this->curl, CURLOPT_POSTFIELDS, $param);

		/*设置referer盗链*/
		curl_setopt($this->curl, CURLOPT_REFERER, $referer);

  	    /*执行curl请求*/
		if($this->isReturn){
			return $this->exec();
		}
		$this->exec();
	}
}