请选择 进入手机版 | 继续访问电脑版

技能趴

 找回密码
 立即注册
搜索
热搜: 活动 交友 discuz
查看: 68|回复: 0

[问题解决笔记] 基于curl数据采集之单页面采集函数get_html的使用

[复制链接]

107

主题

273

帖子

4

积分

管理员

Rank: 9Rank: 9Rank: 9

积分
4
发表于 2018-11-21 22:20:45 | 显示全部楼层 |阅读模式
基于curl数据采集之单页面采集函数get_html的使用
今天做了一个网页抓取项目,找到一篇很值得借鉴的资料,这里记录一下。

单页面采集在数据采集过程中是最常用的一个功能 有时在服务器访问限制的情况下 只能使用这种采集方式 慢 但是可以简单的控制 所以写好一个常用的curl函数调用是很重要的

百度和网易比较熟悉 所以拿这两个网站首页采集来做例子讲解


最简单的写法:

[url=]复制代码[/url]代码如下:

$url = 'http://www.baidu.com';
$ch = curl_init($url);
curl_setopt($ch,CURLOPT_RETURNTRANSFER,true);
curl_setopt($ch,CURLOPT_TIMEOUT,5);
$html = curl_exec($ch);
if($html !== false){
     echo $html;
}


由于使用频繁 可以利用curl_setopt_array写成函数的形式:
[url=]复制代码[/url]代码如下:

function get_html($url,$options = array()){
     $options[CURLOPT_RETURNTRANSFER] = true;
     $options[CURLOPT_TIMEOUT] = 5;
     $ch = curl_init($url);
     curl_setopt_array($ch,$options);
     $html = curl_exec($ch);
     curl_close($ch);
     if($html === false){
         return false;
     }
     return $html;
}


[url=]复制代码[/url]代码如下:

$url = 'http://www.baidu.com';
echo get_html($url);


有时候需要传递一些特定的参数才能得到正确的页面 如现在要得到网易的页面:
[url=]复制代码[/url]代码如下:

$url = 'http://www.163.com';
echo get_html($url);


会看到一片空白 什么也没有 那么再利用curl_getinfo写一个函数 看看发生了什么:
[url=]复制代码[/url]代码如下:

function get_info($url,$options = array()){
     $options[CURLOPT_RETURNTRANSFER] = true;
     $options[CURLOPT_TIMEOUT] = 5;
     $ch = curl_init($url);
     curl_setopt_array($ch,$options);
     $html = curl_exec($ch);
     $info = curl_getinfo($ch);
     curl_close($ch);
     return $info;
}
$url = 'http://www.163.com';
var_dump(get_info($url));


可以看到http_code 302 重定向了 这时候就需要传递一些参数了:

[url=]复制代码[/url]代码如下:

$url = 'http://www.163.com';
$options[CURLOPT_FOLLOWLOCATION] = true;
echo get_html($url,$options);


会发现 怎么是这样的一个页面 和我们电脑访问的不同???

看来参数还是不够 不够服务器判断我们的客户端是什么设备上的 就返回了个普通版

看来还要传送USERAGENT

[url=]复制代码[/url]代码如下:

$url = 'http://www.163.com';
$options[CURLOPT_FOLLOWLOCATION] = true;
$options[CURLOPT_USERAGENT] = 'Mozilla/5.0 (Windows NT 6.1; rv:19.0) Gecko/20100101 Firefox/19.0';
echo get_html($url,$options);



OK现在页面已经出来了 这样基本这个get_html函数基本能实现这样扩展的功能

当然也有另外的办法可以实现,当你明确的知道网易的网页的时候就可以简单采集了:

[url=]复制代码[/url]代码如下:

$url = 'http://www.163.com/index.html';
echo get_html($url);


这样也可以正常的采集

回复

使用道具 举报

您需要登录后才可以回帖 登录 | 立即注册

本版积分规则

QQ|Archiver|手机版|小黑屋|技能趴

GMT+8, 2018-12-17 13:45 , Processed in 0.076667 second(s), 31 queries .

Powered by Discuz! X3.4

© 2001-2017 Comsenz Inc.

快速回复 返回顶部 返回列表