这个有关问题有点难，curl抓取不到页面

程序员文章站 2022-05-18 22:15:16

...

这个问题有点难，curl抓取不到页面。

本帖最后由 xroha 于 2015-03-07 15:57:23 编辑百度经验里的url，如：http://jingyan.baidu.com/article/e2284b2b24eeb2e2e6118dfd.html

直接看页面源代码，是有文章数据。
但是用curl .都无法正常获取文章内容。
这是为什么？已经伪造了IP，来路，cookie等，但还是抓取不到。
注意：在本地可以抓取，但是上传到服务器就不行了，
测试了三个服务器，SAE，阿里云，商务中国的空间，都无法获取。
百度是通过什么防止抓取数据的？怎么破解？

以下是代码：


function fcontents( $url, $timeout = 5, $referer = "" ){
    $t = parse_url($url);
    $ch = curl_init();
    $header = array (
        'User-Agent: Mozilla/5.0 (Windows NT 5.2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.1.1916.153 Safari/537.36','X-FORWARDED-FOR:154.135.25.15', 'CLIENT-IP:154.135.25.15'
    );
    $cookie_jar = dirname(__FILE__)."/jy.cookie";
    curl_setopt($ch, CURLOPT_URL, $url);
    curl_setopt($ch, CURLOPT_TIMEOUT, $timeout);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch, CURLOPT_HTTPHEADER, $header);
    curl_setopt($ch, CURLOPT_REFERER, "http://$t[host]/");   //构造来路 
    curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie_jar);
    curl_setopt($ch, CURLOPT_COOKIEJAR, $cookie_jar);
    curl_setopt($ch, CURLOPT_HEADER, 0);
    $result = curl_exec($ch);
    curl_close($ch);
    return $result;
}

------解决思路----------------------
他们都支持 curl 吗？
------解决思路----------------------
百度感知到你的IP访问频率很可疑
要么就是有复杂的cookie验证流程
------解决思路----------------------
1.如果本地可以，服务器不行。程序是没有问题的。
2.SAE，阿里云，商务中国的空间
这些都支持curl吗，有试试采集其他地址吗？
3.有可能这段时间这些服务器都采集百度，所以被屏蔽掉了。