php curl抓取网页的介绍和推广及使用CURL抓取淘宝页面集成方法

 php的curl可以用来实现抓取网页，分析网页数据用， 简洁易用， 这里介绍其函数等就不详细描述， 放上代码看看:

只保留了其中几个主要的函数。 实现模拟登陆， 其中可能涉及到session捕获， 然后前后页面涉及参数提供形式。

　　libcurl主要功能就是用不同的协议连接和沟通不同的服务器~也就是相当封装了的sock

　　php 支持libcurl(允许你用不同的协议连接和沟通不同的服务器)。, libcurl当前支持http, https, ftp, gopher, telnet, dict, file, 和ldap 协议。libcurl同样支持https证书授权，http post, http put, ftp 上传(当然你也可以使用php的ftp扩展), http基本表单上传，代理，cookies,和用户认证。

　　为了使用curl函数你需要安装curl包。php 需要你使用curl 7.0.2-beta或更高版。如果curl的版本低于7.0.2-beta，php将不工作。

　　要使用php的curl支持，你必须用带有--with-curl[=dir]参数重新编译php(dir是包含库和头文件的目录)。

　　这些函数是在php 4.0.2中新增得。

　　一旦你编译了带有curl支持的php，你可以使用curl函数。基本思路是：你使用curl_init()函数初始化 curl会话，而后你可以设置你的所有选项，通过curl_exec()函数执行，最后你可以作用curl_close()函数来结束你的会话。以下是一个例子：是把php的主页取回放到一个文件中。

　　例 1. 使用php的curl模块取回php主页

$ch = curl_init ("http://www.php.net/");
　　$fp = fopen ("php_homepage.txt", "w");
　　curl_setopt ($ch, curlopt_file, $fp);
　　curl_setopt ($ch, curlopt_header, 0);
　　curl_exec ($ch);
　　curl_close ($ch);
　　fclose ($fp);
　　?>

　　目录列表

　　curl_init — 初始化一个curl会话

　　curl_setopt — 为curl调用设置一个选项

　　curl_exec — 执行一个curl会话

　　curl_close — 关闭一个curl会话

　　curl_version — 返回当前curl版本

　　* curl扩展的安装

　　php已经内置有php_curl.dll,在ext目录下,此dll用于支持ssl和zlib.

　　在php.ini中找到有extension=php_curl.dll, 去掉前面的注释.

　　设置extension_dir=你的php的ext目录（例如c:/php/ext）

　　把ext目录下的libeay32.dll, ssleay32.dll, php5ts.dll, php_curl.dll 都拷贝到system32目录下，重启apache即可。

　　curl_init

　　curl_init -- 初始化一个curl会话

　　描述

int curl_init ([string url])

　　curl_init()函数将初始化一个新的会话，返回一个curl句柄供curl_setopt(), curl_exec(),和 curl_close() 函数使用。如果可选参数被提供，那么curlopt_url选项将被设置成这个参数的值。你可以使用curl_setopt()函数人工设置。

　　例 1. 初始化一个新的curl会话，且取回一个网页

$ch = curl_init();
　　curl_setopt ($ch, curlopt_url, "http://www.zend.com/");
　　curl_setopt ($ch, curlopt_header, 0);
　　curl_exec ($ch);
　　curl_close ($ch);
　　?>

　　参见：curl_close(), curl_setopt()

　　* curl_setopt

　　curl_setopt -- 为curl调用设置一个选项

　　描述　

　bool curl_setopt (int ch, string option, mixed value)

　　curl_setopt()函数将为一个curl会话设置选项。option参数是你想要的设置，value是这个选项给定的值。

　　下列选项的值将被作为长整形使用(在option参数中指定)：

　　curlopt_infilesize: 当你上传一个文件到远程站点，这个选项告诉php你上传文件的大小。

　　curlopt_verbose: 如果你想curl报告每一件意外的事情，设置这个选项为一个非零值。

　　curlopt_header: 如果你想把一个头包含在输出中，设置这个选项为一个非零值。

　　curlopt_noprogress: 如果你不会php为curl传输显示一个进程条，设置这个选项为一个非零值。

　　注意：php自动设置这个选项为非零值，你应该仅仅为了调试的目的来改变这个选项。

　　curlopt_nobody: 如果你不想在输出中包含body部分，设置这个选项为一个非零值。

　　curlopt_failonerror: 如果你想让php在发生错误(http代码返回大于等于300)时，不显示，设置这个选项为一人非零值。默认行为是返回一个正常页，忽略代码。

　　curlopt_upload: 如果你想让php为上传做准备，设置这个选项为一个非零值。

　　curlopt_post: 如果你想php去做一个正规的http post，设置这个选项为一个非零值。这个post是普通的 application/x-www-from-urlencoded 类型，多数被html表单使用。

　　curlopt_ftplistonly: 设置这个选项为非零值，php将列出ftp的目录名列表。

　　curlopt_ftpappend: 设置这个选项为一个非零值，php将应用远程文件代替覆盖它。

　　curlopt_netrc: 设置这个选项为一个非零值，php将在你的 ~./netrc 文件中查找你要建立连接的远程站点的用户名及密码。

　　curlopt_followlocation: 设置这个选项为一个非零值(象 "location: ")的头，服务器会把它当做http头的一部分发送(注意这是递归的，php将发送形如 "location: "的头)。

　　curlopt_put: 设置这个选项为一个非零值去用http上传一个文件。要上传这个文件必须设置curlopt_infile和curlopt_infilesize选项.

　　curlopt_mute: 设置这个选项为一个非零值，php对于curl函数将完全沉默。

　　curlopt_timeout: 设置一个长整形数，作为最大延续多少秒。

　　curlopt_low_speed_limit: 设置一个长整形数，控制传送多少字节。

　　curlopt_low_speed_time: 设置一个长整形数，控制多少秒传送curlopt_low_speed_limit规定的字节数。

　　curlopt_resume_from: 传递一个包含字节偏移地址的长整形参数，(你想转移到的开始表单)。

　　curlopt_sslversion: 传递一个包含ssl版本的长参数。默认php将被它自己努力的确定，在更多的安全中你必须手工设置。

　　curlopt_timecondition: 传递一个长参数，指定怎么处理curlopt_timevalue参数。你可以设置这个参数为timecond_ifmodsince 或 timecond_isunmodsince。这仅用于http。

　　curlopt_timevalue: 传递一个从1970-1-1开始到现在的秒数。这个时间将被curlopt_timevalue选项作为指定值使用，或被默认timecond_ifmodsince使用。

　　下列选项的值将被作为字符串：

　　curlopt_url: 这是你想用php取回的url地址。你也可以在用curl_init()函数初始化时设置这个选项。

　　curlopt_userpwd: 传递一个形如[username]:[password]风格的字符串,作用php去连接。

　　curlopt_proxyuserpwd: 传递一个形如[username]:[password] 格式的字符串去连接http代理。

　　curlopt_range: 传递一个你想指定的范围。它应该是"x-y"格式，x或y是被除外的。http传送同样支持几个间隔，用逗句来分隔(x-y,n-m)。

　　curlopt_postfields: 传递一个作为http “post”操作的所有数据的字符串。

　　curlopt_referer: 在http请求中包含一个"referer"头的字符串。

　　curlopt_useragent: 在http请求中包含一个"user-agent"头的字符串。

　　curlopt_ftpport: 传递一个包含被ftp "post"指令使用的ip地址。这个post指令告诉远程服务器去连接我们指定的ip地址。 这个字符串可以是一个ip地址，一个主机名，一个网络界面名(在unix下)，或是'-'(使用系统默认ip地址)。

　　curlopt_cookie: 传递一个包含http cookie的头连接。

　　curlopt_sslcert: 传递一个包含pem格式证书的字符串。

　　curlopt_sslcertpasswd: 传递一个包含使用curlopt_sslcert证书必需的密码。

　　curlopt_cookiefile: 传递一个包含cookie数据的文件的名字的字符串。这个cookie文件可以是netscape格式，或是堆存在文件中的http风格的头。

　　curlopt_customrequest: 当进行http请求时，传递一个字符被get或head使用。为进行delete或其它操作是有益的，更pass a string to be used instead of get or head when doing an http request. this is useful for doing or another, more obscure, http request.

　　注意: 在确认你的服务器支持命令先不要去这样做。

　　下列的选项要求一个文件描述(通过使用fopen()函数获得)：

　　curlopt_file: 这个文件将是你放置传送的输出文件，默认是stdout.

　　curlopt_infile: 这个文件是你传送过来的输入文件。

　　curlopt_writeheader: 这个文件写有你输出的头部分。

　　curlopt_stderr: 这个文件写有错误而不是stderr。

　　* curl_exec

　　curl_exec -- 执行一个curl会话

　　描述

　　bool curl_exec (int ch)

　　在你初始化一个curl会话，及为这个会话设置了所有的选项后，这个函数将被调用。它的目的仅仅是执行预先确定的curl会话(通过给定的ch参数)。

　　* curl_close

　　curl_close -- 关闭一个curl会话

　　描述

　　void curl_close (int ch)

　　这个函数关闭一个curl会话，并且释放所有的资源。curl句柄(ch参数)也被删除。

　　* curl_version

　　curl_version -- 返回当前curl版本

　　描述

　　string curl_version (void)

curl_version()函数返回一个包含curl版本的字符串。

<?php 
class multihttprequest{ 
  public $urls = array(); 
  public $curlopt_header = 0; 
  public $cookie_file = ''; 
  public $collect_save_file = ''; 
  public $start_timestamp = ''; 
  public $end_timestamp = ''; 
  private $log_handle = ''; 
  private $collect_save_handle = ''; 
  private $db_conn = false; 
  private $pre_break_goods_id = ''; //上一次强制退出的id 
  private $per_break_brand_id = ''; //上一次更新到的brand_id 
  private $main_log_id = '';    //本次更新的主表日志id 
  private $start_time = ''; 
  public $login_session = ''; 
  public $date_char = ''; 
  private $mode = ''; 
  private $sql_log_handle = ''; 
  function __construct($upgrade_date='', $force_upt=false) 
  { 
     $this->mysql_init();   
     } 
    private function mysql_init(){ 
    $db_name = 'dbname'; 
    $db_user = 'name'; 
    $db_pass = 'pass'; 
    $db_host = 'localhost'; 
    $db_conn = mysql_connect($db_host, $db_user, $db_pass) ; 
    if(!$db_conn){ 
      echo '数据库连接失败!'; 
      exit; 
    } 
    $this->db_conn = $db_conn; 
    mysql_select_db($db_name); 
  } 
  public function init_login(){ 
    //第一步模拟登陆 
    $target_url = 'http://www.test.com/login.jsp'; 
    //post 提交的数据 
    $post_fields = array( 
    'username'  => '卓雅秀淘宝', 
    'password'  => 'joarshow.taobao.com', 
    't_url'    => '', 
    'submit2'  => ' 登 录 ' 
    ); 
    //保存登陆的cookie 
    $cookie_file = dirname(__file__).'/cookie_'.time().'.txt'; 
    $this->cookie_file = $cookie_file; 
    //存cookie 
    $ch = curl_init($target_url); 
    curl_setopt($ch, curlopt_header, 1); 
    //   curl_setopt($ch, curlopt_cookiesession, 1); 
    curl_setopt($ch, curlopt_returntransfer, 1); 
    curl_setopt($ch, curlopt_post, 1); 
    curl_setopt($ch, curlopt_postfields, $post_fields); 
    curl_setopt($ch, curlopt_cookiejar, $cookie_file); 
    $login_contents = curl_exec($ch); 
    curl_close($ch); 
  } 
  /** 
   * 测试 
   * 
   * @param unknown_type $test_url 
   */ 
  public function get_one_file($test_url){ 
    $ch = curl_init($test_url); 
    curl_setopt($ch, curlopt_header, 0); 
    curl_setopt($ch, curlopt_returntransfer, 1); 
    curl_setopt($ch,curlopt_cookie, $this->login_session); 
    curl_setopt($ch, curlopt_referer, 'http://www.test.com/welcome.shtml'); 
    curl_setopt($ch, curlopt_useragent, 'mozilla/4.0 (compatible; msie 6.0; windows nt 5.2; sv1; .net clr 1.1.4322; .net clr 2.0.50727; .net clr 3.0.4506.2152; .net clr 3.5.30729)'); 
    $contents = curl_exec($ch); 
    curl_close($ch); 
    return $contents; 
  } 
  public function point_url_brand($url){ 
    $ch = curl_init($url); 
    curl_setopt($ch, curlopt_header, 0); 
    curl_setopt($ch, curlopt_returntransfer, 1); 
    curl_setopt($ch,curlopt_cookie, $this->login_session); 
    curl_setopt($ch, curlopt_referer, 'http://www.test.com/product.shtml'); 
    curl_setopt($ch, curlopt_useragent, 'mozilla/4.0 (compatible; msie 6.0; windows nt 5.2; sv1; .net clr 1.1.4322; .net clr 2.0.50727; .net clr 3.0.4506.2152; .net clr 3.5.30729)'); 
    $contents = curl_exec($ch); 
    //   echo htmlspecialchars($contents);exit; 
    curl_close($ch); 
    return $contents; 
  } 
} 

使用curl抓取淘宝页面集成方法

代码如下：

 /**
   * 根据地址抓取淘宝页面html代码
   * @param type $url 地址
   * @return boolean
   */
  public function gettaobaohtml($url) {
    if (empty($url)) {
      return false;
    }
    $ch = curl_init();
    // 设置 url
    curl_setopt($ch, curlopt_url, $url);
    // 设置浏览器的特定header
    curl_setopt($ch, curlopt_httpheader, array(
      "user-agent: {mozilla/5.0 (windows nt 6.1; wow64; rv:26.0) gecko/20100101 firefox/26.0}",
      "accept: {text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8}",
      "accept-language: {zh-cn,zh;q=0.8,en-us;q=0.5,en;q=0.3}",
      "cookie:{cq=ccp%3d1; cna=a7suczomstecaxgg9icf4atx; t=671b2069c7e8ac444da66d664a397a5f; tracknick=%5cu4f0d%5cu6653%5cu8f8901;
 _tb_token_=ndiu1vcuzfd0; cookie2=c54709ffbe04a5ccb80283c34d6b00fa; 
pnm_cku822=128wsmpac%2ffs4kgnn%2byfhzduo4u2nc0zh9cas4%3d%
7cwucljkhqr873boifqcmecsw%3d%7cwmekrlv%
2b3d9a6xwaidnwnqoswxwaxugvqhzhxalh%7cx0
ylbx78nur2b2dhoxniqzenqqr35tbzbfq5vooi0b6ghza3u1kr%7cxkdilog
cr878zk9i%2b%2fe3qjad3lfjjaazra%3d%3d%7cxuemwmr2s%
2btuqk8ipp5tngwfujqwonccmcxihta0frygtjgfa4j6%7cxmy
k7f8liovh3hmupzxkiau%2fjw%3d%3d}",
    ));
    // 页面内容我们并不需要
    curl_setopt($ch, curlopt_nobody, 0);
    // 只需返回http header
    curl_setopt($ch, curlopt_header, 0);
    // 返回结果，而不是输出它
    //curl_setopt($ch, curlopt_returntransfer, 1);
    curl_setopt($ch, curlopt_followlocation, 1);
    ob_start();
    curl_exec($ch);
    $html = ob_get_contents();
    ob_end_clean();
    curl_close($ch);
    return $html;
  }