基于curl數(shù)據(jù)采集之單頁面采集函數(shù)get_html的使用_PHP教程

編輯Tag賺U幣

教程Tag：curl數(shù)據(jù)采集 get_html 添加

推薦：基于curl數(shù)據(jù)采集之正則處理函數(shù)get_matches的使用
本篇文章介紹了，基于curl數(shù)據(jù)采集之正則處理函數(shù)get_matches的使用。需要的朋友參考下

這是一個(gè)系列沒辦法在一兩天寫完所以一篇一篇的發(fā)布

大致大綱：

1.curl數(shù)據(jù)采集系列之單頁面采集函數(shù)get_html

2.curl數(shù)據(jù)采集系列之多頁面并行采集函數(shù)get_htmls

3.curl數(shù)據(jù)采集系列之正則處理函數(shù)get _matches

4.curl數(shù)據(jù)采集系列之代碼分離

5.curl數(shù)據(jù)采集系列之并行邏輯控制函數(shù)web_spider

單頁面采集在數(shù)據(jù)采集過程中是最常用的一個(gè)功能有時(shí)在服務(wù)器訪問限制的情況下只能使用這種采集方式慢但是可以簡單的控制所以寫好一個(gè)常用的curl函數(shù)調(diào)用是很重要的

百度和網(wǎng)易比較熟悉所以拿這兩個(gè)網(wǎng)站首頁采集來做例子講解

最簡單的寫法：

復(fù)制代碼代碼如下:hl5o.cn

$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;
 }

由于使用頻繁可以利用curl_setopt_array寫成函數(shù)的形式：

復(fù)制代碼代碼如下:hl5o.cn

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;
 }

復(fù)制代碼代碼如下:hl5o.cn

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

有時(shí)候需要傳遞一些特定的參數(shù)才能得到正確的頁面如現(xiàn)在要得到網(wǎng)易的頁面：

復(fù)制代碼代碼如下:hl5o.cn

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

會(huì)看到一片空白什么也沒有那么再利用curl_getinfo寫一個(gè)函數(shù) 看看發(fā)生了什么：

復(fù)制代碼代碼如下:hl5o.cn

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 重定向了這時(shí)候就需要傳遞一些參數(shù)了：

復(fù)制代碼代碼如下:hl5o.cn

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

會(huì)發(fā)現(xiàn) 怎么是這樣的一個(gè)頁面和我們電腦訪問的不同？？？

看來參數(shù)還是不夠不夠服務(wù)器判斷我們的客戶端是什么設(shè)備上的就返回了個(gè)普通版

看來還要傳送USERAGENT

復(fù)制代碼代碼如下:hl5o.cn

$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現(xiàn)在頁面已經(jīng)出來了這樣基本這個(gè)get_html函數(shù)基本能實(shí)現(xiàn)這樣擴(kuò)展的功能

當(dāng)然也有另外的辦法可以實(shí)現(xiàn)，當(dāng)你明確的知道網(wǎng)易的網(wǎng)頁的時(shí)候就可以簡單采集了：

復(fù)制代碼代碼如下:hl5o.cn

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

這樣也可以正常的采集

分享：基于curl數(shù)據(jù)采集之單頁面并行采集函數(shù)get_htmls的使用
用第一篇的get_html()實(shí)現(xiàn)簡單的數(shù)據(jù)采集，由于是一個(gè)一個(gè)執(zhí)行才采集數(shù)據(jù)的傳輸時(shí)間就會(huì)是所有頁面下載的總時(shí)長，一個(gè)頁面假設(shè)1秒，那么10個(gè)頁面就是10秒了。所幸curl還提供了并行處理的功能