本文将通过案例，整合浏览器工具与PHP程序，教你如何让数据 唾手可得 。

对于做过数据采集的人来说，cURL一定不会陌生。虽然在PHP中有file_get_contents函数可以获取远程链接的数据，但是它的可控制性太差了，对于各种复杂情况的采集情景，file_get_contents显得有点无能为力。因此，本文将为你介绍采集神器cURL的使用。

工具

火狐浏览器（FireFox） + Firebug

“工欲善其事，必先利其器。” 在分析案例之前，先让我们学习一下如何利用神器Firebug获取我们必要的信息。 
使用F12打开Firebug，我们可以得到如图（一）界面： 

  1. 箭头图标是“元素选择”工具，单击一次会高亮图标，同时，鼠标在页面内的移动会同时在HTML菜单中选定相应的内容，此时单击内容则表示选定了该元素，图标高亮取消。如图（二）所示： 

  2. 控制台 
    JS里面的console.log系列函数的打印就是在这里输出。

  3. HTML 
    HTML内容，注意这里看到的不一定是采集要解析的内容，采集时候对内容的分析，一律以查看源码（Ctrl+U）为准，这里只是能快速定位元素的结构，然后再选择一个比较特殊的参照，在源码中定位相应的位置。 
    比如，你在HTML里面看到一个标签是

    Demo
    ，但是你查看源码时候看到的内容可能是
    Demo
    ，如果你对采集内容按照前者去做正则匹配，那么你会得不到结果。

  4. CSS 
    这里是CSS文件内容

  5. 脚本 
    这里是Javascript文件内容

  6. DOM 
    Dom节点内容

  7. 网络 
    每一个请求链接的数据，这里是我们采集要关注和分析的地方，它能够显示每一个请求的参数、请求头、Cookie数据等。在页面提交会刷新的情况下，需要使用保持，使得页面请求内容在刷新后仍然留着控制台中，如图（三）所示： 

    另外，火狐还有一款 Tamper data 扩展也能得到请求数据，必要时可以安装使用。

  8. Cookies 
    Cookie数据

在图（一）中还看到下面有很多可选的小菜单项，其中保持是我们要关注的，当选择它的时候，即使提交表单刷新了页面，下面内容区域的数据还是会保留，这个对于分析提交数据特别关键。

总结

我们在分析采集请求的时候，主要关心“网络”菜单里的请求数据，必要时候使用“保持”以查看刷新页面的请求数据，请求前可以使用“清除”先清除下面的内容。

案例解析

一、简单的采集

这里所指的简单采集，是指一个单一页面GET请求的采集，它简单得即使通过file_get_contents函数也能轻松获得页面返回结果。

  • 代码片段之file_get_contents

 
  
 
  
     
   
  • 代码片段之cURL
    •  
  
 
  
 
  
 
  
二、需要参数的采集
 
  
这种情况，页面请求需要传入一些参数，可以是GET请求，也可以是POST请求。这种情况的采集，使用file_get_contents外带一些参数还是可以实现的，但是这里我们将不再展示。
 
  
     
   
  • 代码片段之cURL GET 
    这种请求，我们可以选择搜索引擎作为演示，比如我百度搜索一个词语“PHP cURL”，在输入回车后，我们会得到一个类似http://www.baidu.com/s?ie=utf-8&f=8&rsv_bp=1&ch=&tn=baidu&bar=&wd=PHP%20cURL的链接，注意这里的链接可能不同浏览器、不同入口方式访问得到不一样结果，因此不必介意链接是否一样。通过输入多个关键词并观察链接，我们可以确定 wd 参数就是我们要传入的动态参数，而其他参数则可以不变，因此得到我们下面的采集代码。
    •  
  
 
  
 
  
有些时候，一些参数并不是必须的，这时候我们可以删掉它，比如上面的链接可以只保留http://www.baidu.com/s?ie=utf-8&wd=PHP%20cURL，ie=utf-8 这个参数可能影响结果的编码，所以暂且留着它。就这样简单的代码，我们就可以采集到百度搜索的结果了。
 
  
     
   
  • 代码片段之cURL POST 
    对于POST类型的请求，我们平时并不少见，比如有些搜索就是使用POST方式提交，这时候我们就需要使用POST类型来提交参数了。这个在PHP cURL里面有相应的参数：CURLOPT_POST 和 CURLOPT_POSTFIELDS ， CURLOPT_POST 的设置可以指定当前提交是否为POST方式，CURLOPT_POSTFIELDS则用于设定提交的参数，可以是参数串，也可以是参数数组，比如：
    •  
  
 
  
curl_setopt($ch, CURLOPT_POSTFIELDS, 'ie=utf-8&wd=PHP%20cURL');或curl_setopt($ch, CURLOPT_POSTFIELDS, array(    'ie'    => 'utf-8',    'wd'    => 'PHP%20cURL',));
 
  
下面是我做的一个POST模拟搜索PHP POST 搜索，后端是使用了前面的百度关键词搜索，基本原理就是，客户端提交一个关键词到我服务器，我服务器使用该关键词请求百度的搜索，然后得到结果，返回到客户端。 
如图（四）是利用Firebug对请求数据的分析，得到我们需要提交的请求链接和请求参数： 
 
  
然后下面是我们的代码：
 
  
 urlencode($keyword),    );    $url        = 'http://demo.zjmainstay.cn/php/curl/search.php';    $ch  = curl_init($url);    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);  //返回数据不直接输出    curl_setopt($ch, CURLOPT_POST, 1);            //发送POST类型数据    curl_setopt($ch, CURLOPT_POSTFIELDS, $post);  //POST数据，$post可以是数组，也可以是拼接    $content = curl_exec($ch);                    //执行并存储结果    curl_close($ch);    var_dump($content);
 
  
 
  
三、需要Referer的采集
 
  
对于一些程序，它可能判断来源网址，如果发现referer不是自己的网站，则拒绝访问，这时候，我们就需要添加CURLOPT_REFERER参数，模拟来路，使得程序能够正常采集。
 
  
 urlencode($keyword),    );    $url        = 'http://demo.zjmainstay.cn/php/curl/search_refer.php';    $refer      = 'http://demo.zjmainstay.cn/';    //来路地址    $ch  = curl_init($url);    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);  //返回数据不直接输出    curl_setopt($ch, CURLOPT_REFERER, $refer);    //来路模拟    curl_setopt($ch, CURLOPT_POST, 1);            //发送POST类型数据    curl_setopt($ch, CURLOPT_POSTFIELDS, $post);  //POST数据，$post可以是数组，也可以是拼接    $content = curl_exec($ch);                    //执行并存储结果    curl_close($ch);    var_dump($content);
 
  
search_refer.php的源码如下，做了简单的Referer判断拦截：
 
  
 
  
 
  
四、需要cookie支持的采集
 
  
对于模拟登录的应用，单单提交参数和模拟来路并不能解决问题，这时候我们就需要保存或者提交相应的Cookie参数，这个在PHP cURL里面也提供了相应的参数: 
CURLOPT_COOKIE： 直接使用字符串方式提交cookie参数 
CURLOPT_COOKIEFILE： 使用文件方式提交cookie参数 
CURLOPT_COOKIEJAR： 保存提交后反馈的cookie数据
 
  
下面是PHP100的模拟登录示例：
 
  
 
  
五、压缩网页采集（gzip）
 
  
有些没有接触过压缩页面的朋友估计会在这里被坑死，因为他们会发现采集回来的内容是乱码，并且无论使用iconv还是强大的mb_convert_encoding都无法还原数据，然后又没有概念，各种抓狂却找不到方法，哈哈，我曾经也是这样~ 
如图（五）是乱码表现形式： 

还好最后功夫不负有心人，还是找到了，它就是CURLOPT_ENCODING参数。 
比如，采集搜狐的新闻时候就遇到gzip压缩问题，下面是示例：
 
  
 
  
手册说明：支持的编码有"identity"，"deflate"和"gzip"。如果为空字符串""，请求头会发送所有支持的编码类型。 
后面一句表明，使用curl_setopt($ch, CURLOPT_ENCODING, "");也是可以的，但是不能不加这个参数。
 
  
六、SSL链接的采集
 
  
有些请求链接是https类型的，这时候使用cURL采集可能会失败，这时候，我们可以使用var_dump(curl_error($ch));的方法打印错误提示，然后根据错误提示查找相应的解决方案。比如SSL错误常见提示：SSL certificate problem: unable to get local issuer certificate，这时候，我们就需要利用参数：CURLOPT_SSL_VERIFYPEER 和 CURLOPT_SSL_VERIFYHOST 来禁用SSL证书的验证，我尝试过只使用CURLOPT_SSL_VERIFYPEER参数禁用失败，所以大家最好同时使用两个参数。 
下面是代码示例：
 
  
 
  
七、代理采集
 
  
大家都知道，国内存在万恶的墙，所以，假如我们需要获取某些被墙数据时，就需要用到国外代理服务器；又或者我们需要采集大量数据时，需要不断切换IP，也会用到代理。 
使用代理在PHP cURL里面有几个相对应的参数：CURLOPT_PROXY、CURLOPT_PROXYPORT 和 CURLOPT_PROXYUSERPWD，还有另外几个，这里不列举。 
CURLOPT_PROXY 指定代理IP参数 
CURLOPT_PROXYPORT 指定代理端口参数 
CURLOPT_PROXYUSERPWD 指定需要验证的代理的账号密码，"[username]:[password]"格式的字符串
 
  
关于代理账号获取，大家自己发挥，我这里提供网上搜索到的一个列表：cURL 高匿代理
 
  
下面是代理采集示例：
 
  
 
  
八、 多线程采集
 
  
对于大量采集工作，为了提高采集效率，使用PHP cURL提供的多线程采集是必不可少的。手册上提供的多线程采集例子好像都不太好用，我刚开始也从里面测试了几个例子，但是发现都是执行卡死，根本无法执行完成，前几天突然又测试了一下，然后发现curl_multi_info_read函数下面的Example #1是可以执行的，它的内容在$res上，但是没有打印出来，而且雅虎的请求比较慢，会卡住，前面两个链接都能正常返回。 
不过，还好当时的例子不好用，然后我经过搜索找到了一个很厉害的项目，CurlMulti ，它对PHP cURL Multi 进行了一个良性扩展的封装，能够很好地提供采集支持。 
关于CurlMulti的使用我就不多介绍，官网上面提供了demo，使用过程有技术难题可以直接加入Q群讨论，作者@Ares 和其他的采集大牛都会提供技术解答帮助。 
下面是PHP cURL Multi的一个简单示例：
 
  
 $url) {    $conn[$i] = curl_init($url);    curl_setopt($conn[$i], CURLOPT_RETURNTRANSFER, 1);  //不直接输出结果    curl_multi_add_handle($mh, $conn[$i]);}$active = null;$res = array();do {    $status = curl_multi_exec($mh, $active);    $info = curl_multi_info_read($mh);    if (false !== $info) {        //采集信息处理        $res[] = array(            'content'   => curl_multi_getcontent($info['handle']),            'info'      => $info,        );        curl_close($info['handle']);    }} while ($status === CURLM_CALL_MULTI_PERFORM || $active);curl_multi_close($mh);var_dump($res);
 
  
九、302跳转（301跳转）
 
  
对于一些应用，比如模拟登录，如果遇上302跳转，会导致cookie丢失而使得模拟登录失败，请求现象如图（六）所示：
 
  
 
  
这个时候，可以使用：
 
  
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);
 
  
关于CURLOPT_FOLLOWLOCATION，手册说明是：
 
  
启用时会将服务器服务器返回的"Location: "放在header中递归的返回给服务器，使用CURLOPT_MAXREDIRS可以限定递归返回的数量。
 
  
我个人理解，通俗点讲就是后面的跳转会继续跟踪访问，而且cookie在header里面被保留了下来。
 
  
十、模拟上传文件
 
  
在PHP手册的curl_setopt函数中，关于CURLOPT_POSTFIELDS有如下描述：
 
  
全部数据使用HTTP协议中的"POST"操作来发送。要发送文件，在文件名前面加上@前缀并使用完整路径。这个参数可以通过urlencoded后的字符串类似'para1=val1¶2=val2&...'或使用一个以字段名为键值，字段数据为值的数组。如果value是一个数组，Content-Type头将会被设置成multipart/form-data。
 
  
对于上传文件，这句话包含两个信息： 
1. 要上传文件，post的数据参数必须使用数组，使得Content-Type头将会被设置成multipart/form-data。 
2. 要上传文件，在文件名前面加上@前缀并使用完整路径。
 
  
因此，模拟文件上传可以按照如下实现：
 
  
//上传D盘下的test.jpg文件，文件必须存在，否则curl处理失败且没有任何提示$data = array('name' => 'Foo', 'file' => '@d:/test.jpg');$ch = curl_init('http://localhost/upload.php');curl_setopt($ch, CURLOPT_POST, 1);curl_setopt($ch, CURLOPT_POSTFIELDS, $data);curl_exec($ch);
 
  
本地测试的时候，在upload.php文件中打印出$_POST和$_FILES即可验证是否上传成功，如下：
 
  
 
  
输出结果类似：
 
  
Array ( [name] => Foo ) Array ( [file] => Array ( [name] => test.jpg [type] => application/octet-stream [tmp_name] => D:\xampp\tmp\php2EA0.tmp [error] => 0 [size] => 139999 ) )
 
  
关于CURLOPT_POSTFIELDS的赋值，另外补充一句描述：
 
  
传递一个数组到CURLOPT_POSTFIELDS，cURL会把数据编码成 multipart/form-data，而然传递一个URL-encoded字符串时，数据会被编码成 application/x-www-form-urlencoded。
 
  
即：
 
  
curl_setopt($ch, CURLOPT_POSTFIELDS, 'param1=val1¶m2=val2&...');和curl_setopt($ch, CURLOPT_POSTFIELDS, array('param1' => 'val1', 'param2' => 'val2', ...));
 
  
相当于html的form表单中：
 
  
 
  
和
 
  
 
  
的区别。
 
  
总结
 
  
PHP cURL是一个很强大的采集工具，curl_setopt里面还有很多参数，读者可以抽空整体看一遍，虽然平时未必用得上，但是至少做到心里有底，知道都有哪些参数，必要时还能找出来使用。 
采集是一项大工程，使用过程中遇到的问题还会不少，但是只要学会分析和资料搜索，一切都会迎刃而解的，大家加油！哈哈~~