跨域、curl、snoopy、file_get_contents()

定义:可以称为”信息采集/模拟登录”技术,可以实现对某个地址做请求,同时按照要求传递get或post参数。

curl本身是php的一个扩展,同时也是一个利用URL语法规定来传输文件和数据的工具,支持很多协议,如HTTP、FTP、TELNET等。

php中还有file_get_contents()方式,也可。

原理,要获取其他网站的数据首先要获取网页内容,然后在网页内容中提取我们需要的数据。要获取网站数据可以通过程序获取网站源码,然后通过正则表达式匹配出所需数据保存到数据库中。

什么是跨域
跨域访问就是你在一个域环境下,访问另一个域的内容。
因为javascript同源策略的限制,a.com 域名下的js脚本无法操作b.com或是c.a.com域名下的对象。
Ajax的应用中,由于安全的问题,浏览器默认是不支持 javascript跨域调用的。
  1.主域相同,子域不同,如xxx.aaa.com和yyy.aaa.com
  2.域名相同,端口不同,如xxx.aaa.com:8000和 xxx.aaa.com
  3.域名相同,协议不同,如http://www.aaa.com/和 https://www.aaa.com/
  4.主机相同,用ip和域名的,http://127.0.0.1/和 http://localhost/

eg.

  信息采集时通过程序将非结构化的信息从大量的网页中抽取出来保存到结构化的数据库中,在最短的时间内把最新的信息从不同的Internet站点上抓取下来,提高信息及时性和节省或减少工作量。

实现采集常用函数

  curl系列函数

  Snoopy封装类

  file_get_contents()

curl实现:

注意,PHP中需要开启扩展

// 初始化,创建一个新 cURL 资源
$ch = curl_init(); // 设置 URL 和相应的选项
$options = array(CURLOPT_URL => 'http://www.baidu.com/',
CURLOPT_HEADER => false
); curl_setopt_array($ch, $options);//也可以使用curl_setopt,但是这样就需要重复定义了 // 执行,抓取 URL 并把它传递给浏览器获取html内容
curl_exec($ch); // 关闭 cURL 资源,并且释放系统资源
curl_close($ch);

curl的错误处理:

$output = curl_exec($ch);
if ($output === FALSE) {
echo "cURL Error: " . curl_error($ch);
}

注意,比较的时候我们用的是“=== FALSE”,而非“== FALSE”。因为我们得区分 空输出 和 布尔值FALSE,后者才是真正的错误

获取信息:

这是另一个可选的设置项,能够在cURL执行后获取这一请求的有关信息:

curl_exec($ch);
$info = curl_getinfo($ch);
echo '获取'. $info['url'] . '耗时'. $info['total_time'] . '秒';
// ...
返回的数组中包括了以下信息:
# “url” //资源网络地址
# “content_type” //内容编码
# “http_code” //HTTP状态码
# “header_size” //header的大小
# “request_size” //请求的大小
# “filetime” //文件创建时间
# “ssl_verify_result” //SSL验证结果
# “redirect_count” //跳转技术
# “total_time” //总耗时
# “namelookup_time” //DNS查询耗时
# “connect_time” //等待连接耗时
# “pretransfer_time” //传输前准备耗时
# “size_upload” //上传数据的大小
# “size_download” //下载数据的大小
# “speed_download” //下载速度
# “speed_upload” //上传速度
# “download_content_length”//下载内容的长度
# “upload_content_length” //上传内容的长度
# “starttransfer_time” //开始传输的时间
# “redirect_time”//重定向耗时

模拟post方式传递数据

$url = "local-credit.cn/site/login";
$post_data = array (
"username" => "admin",
"password" => 'pwd',
"rememberMe" => 0
);
$ch = curl_init();
$options = array(
CURLOPT_URL => $url,
CURLOPT_RETURNTRANSFER => 1,
CURLOPT_POST => 1,
CURLOPT_SSL_VERIFYPEER => false,
CURLOPT_SSL_VERIFYHOST => false,
CURLOPT_POSTFIELDS => $post_data
);
curl_setopt_array($ch,$options);
//curl_setopt($ch, CURLOPT_URL, $url); //设置请求地址
//curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);//返回请求的信息
// 我们在POST数据哦!
//curl_setopt($ch, CURLOPT_POST, 1);
//忽略ssl认证文件
//curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false);
//curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, false);
// 把post的变量加上
//curl_setopt($ch, CURLOPT_POSTFIELDS, $post_data);
$output = curl_exec($ch);
if ($output === FALSE) {
echo "cURL Error: " . curl_error($ch);
}
curl_close($ch);
print_r($output);

记一下,真实日常接口调试的post模拟请求:

$url = "local-appapi.cn/user/login";
$header = array('token:123456','os:android','version-code:1');
$post_data = array (
"mobile" => "",
"password" => 'c64759a4137fc56cd55babad6f940fb9'
);
$ch = curl_init();
$options = array(
CURLOPT_URL => $url,
CURLOPT_RETURNTRANSFER => ,////返回请求的信息
CURLOPT_POST => ,//规定post请求
CURLOPT_SSL_VERIFYPEER => false,//忽略ssl认证文件
CURLOPT_SSL_VERIFYHOST => false,//忽略ssl认证文件
CURLOPT_POSTFIELDS => $post_data,//post的变量数据
CURLOPT_TIMEOUT => ,//响应时间
CURLOPT_HTTPHEADER => $header//header头信息
);
curl_setopt_array($ch,$options);
$output = curl_exec($ch);
if ($output === FALSE) {
echo "cURL Error: " . curl_error($ch);
}
curl_close($ch);
print_r($output);

因为是在本地跨项目进行curl调动,且php-cgi端口默认统一是9000,端口被占用所以会报错504 GateWay Time-out超时等。

解决方案:将被调用的项目php-cgi端口改为9001,并开启该端口后再调用就可以了。注意,开启窗口不要关闭哦

开启方式:cmd下::

D:\App_self\phpstudy\PHPTutorial\php\php-7.0.-nts\php-cgi.exe -b 127.0.0.1: -c D:\App_self\phpstudy\PHPTutorial\php\php-7.0.-nts\php.ini
upstream curl_com {
server 127.0.0.1:;
} location ~ \.php(.*)$ {
fastcgi_pass curl_com;
fastcgi_index index.php;
fastcgi_split_path_info ^((?U).+\.php)(/?.+)$;
fastcgi_param SCRIPT_FILENAME $document_root$fastcgi_script_name;
fastcgi_param PATH_INFO $fastcgi_path_info;
fastcgi_param PATH_TRANSLATED $document_root$fastcgi_path_info;
include fastcgi_params;
}

curl附件上传:

注意,如果你需要上传一个文件,只需要把文件路径像一个post变量一样传过去,不过记得在前面加上"@"符号。执行这段脚本应该会得到如下输出

$url = "http://localhost/upload_output.php";
$post_data = array (
"foo" => "bar",
// 要上传的本地文件地址
"upload" => "@C:/wamp/www/abc.jpg"
);
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch, CURLOPT_POST, 1);
curl_setopt($ch, CURLOPT_POSTFIELDS, $post_data);
$output = curl_exec($ch);
curl_close($ch);
echo $output;

  输出

array(
[upload] => array(
[name] => test . zip
[type] => image / jpeg
[name] => d:\wamp\tmp\php4ccb . jpg
[error] => 0
[size] => 11836
)
)

snoopy实现信息采集及具体实现:

require_once('Snoopy.class.php' );//引入 Snoopy 类
$snoopy =new Snoopy();
$url = 'http://news.163.com/special/00013C0B/gedixw.html';
//$snoopy->fetch($url);//抓取指定的网页
//$snoopy->fetchtext($url); //除去 HTML 标签和其他无关信息
//$snoopy->fetchform($url); //返回抓取的网页上 form 元素
$snoopy->fetchlinks($url); //抓取的网页上的链接
//$snoopy->submit($url,$formvars);//提交表单到$url。$formvars是要传递的变量数组,例:array('user' =>'admin','pwd' => 'admin');
//$snoopy->submittext($url,$formvars);//同submit,只是去除HTML标签和无关信息
//$snoopy->submitlinks($url,$formvars);//返回链接
$data = $snoopy->results;
print_r($data);//打印结果

file_get_contents使用:

$detail = file_get_contents('http://news.163.com/11/0529/14/757S0JGT00014JB5.html');
file_put_contents('curl1.html', $detail);

小记,使用file_get_contents()函数是信息采集中常用的函数但是有些网站为了防止采集采用了一些防范机制,比如判断是否是浏览器访问等,这时使用这个函数就不可靠了。

就像fsockopen这个函数,其实这个函数不仅可以提交数据还可以发送其他header头信息模拟浏览器访问,

用法是打开套接字连接后,将要发送的头信息以属性名: 属性值的格式拼装成字符串,使用fputs(fwrite)函数即可。

上一篇:SimpleDateFormat的线程安全问题与解决方案


下一篇:linux crontab命令参数及用法详解--linux自动化定时任务cron