使用curl抓取网页遇到HTTP跳转时得到多个HTTP头部的问题

Woody的技术Blog » 使用curl抓取网页遇到HTTP跳转时得到多个HTTP头部的问题

使用curl抓取网页遇到HTTP跳转时得到多个HTTP头部的问题

June 21st, 2011
Woody Leave a comment
Go to comments

 

在PHP的CURL扩展中，是可以通过CURL自身的设计自动处理HTTP 30X的跳转的。这个特性在使用起来很简单：

$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, 'http://www.example.com');
curl_setopt($ch, CURLOPT_HEADER, true);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);
 
$content = curl_exec($ch);

正常情况下，$content 中的结果包括了 HTTP 头和 body 的信息，且以 "\r\n\r\n" 分隔。因此可以用

list($header, $body) = explode("\r\n\r\n", $content, 2);

来分别取得这两部分。不过如果在要访问的地址上发生了 HTTP 跳转，这时 curl_exec 执行得到的结果中就包含了两次访问的头部。例如把上面的代码的 URL 部分换成我这里的：

curl_setopt($ch, CURLOPT_URL, 'http://cn.programmingnote.com');

当访问 cn.programmingnote.com 时，会触发一个 302 跳转。此时 curl_exec 返回内容的开头是：

HTTP/1.1 302 Found

Date: Tue, 21 Jun 2011 08:15:58 GMT

Server: Apache/2.2.16 (Ubuntu)

X-Powered-By: PHP/5.3.3-1ubuntu9.5

Location: blog/

Vary: Accept-Encoding

Content-Length: 0

Content-Type: text/html

HTTP/1.1 200 OK

Date: Tue, 21 Jun 2011 08:15:58 GMT

Server: Apache/2.2.16 (Ubuntu)

X-Powered-By: PHP/5.3.3-1ubuntu9.5

X-Pingback: http://cn.programmingnote.com/blog/xmlrpc.php

Vary: Accept-Encoding

Transfer-Encoding: chunked

Content-Type: text/html; charset=UTF-8

很明显包含了两次的 HTTP 头部信息。此时再用 explode("\r\n\r\n", $content, 2) 的方法会把下面的头部信息归到 HTTP Body 部分里去。

而我在命令行下直接使用 curl 来访问包含跳转的地址时，却发现可以正确地把头部和 body 部分区别开。因此我想到可能是 PHP 的 curl 扩展在实现方面有些问题。于是我在 curl 扩展的代码中找到了 curl_exec 的实现：

/* {{{ proto bool curl_exec(resource ch)
   Perform a cURL session */
PHP_FUNCTION(curl_exec)
{
	CURLcode	error;
	zval		*zid;
	php_curl	*ch;
 
	if (zend_parse_parameters(ZEND_NUM_ARGS() TSRMLS_CC, "r", &zid) == FAILURE) {
		return;
	}
 
	ZEND_FETCH_RESOURCE(ch, php_curl *, &zid, -1, le_curl_name, le_curl);
 
	_php_curl_cleanup_handle(ch);
 
	error = curl_easy_perform(ch->cp);
	SAVE_CURL_ERROR(ch, error);
	/* CURLE_PARTIAL_FILE is returned by HEAD requests */
	if (error != CURLE_OK && error != CURLE_PARTIAL_FILE) {
		if (ch->handlers->write->buf.len > 0) {
			smart_str_free(&ch->handlers->write->buf);
		}
		RETURN_FALSE;
	}
	// more code ...
}

从名字上可以看出，真正处理 HTTP 访问的代码应该是在 curl_easy_perform 做的。经查证，这个函数是属于 libcurl 这个库的，和 PHP 扩展已经没有关系了。并且，我写了一段直接使用 libcurl 库的代码，和 PHP 中的用法并没有太大的区别，也没有特殊的参数用来设计是保留多次的 HTTP Header 还是只保留最后的一次 Header。

#include <curl/curl.h>
#include <stdio.h>
int main()
{
	CURL *handler = curl_easy_init();
	curl_easy_setopt(handler, CURLOPT_HEADER, 1);
	curl_easy_setopt(handler, CURLOPT_FOLLOWLOCATION, 1);
	curl_easy_setopt(handler, CURLOPT_URL, "http://cn.programmingnote.com");
	int res = curl_easy_perform(handler);
	printf("%d\n", res);
	return 0;
}

和在 PHP 中测试的结果一样，依然是记录了两个 Header。

既然如此，想要把最后跳转到的地址的 Header 和 Body 区别出来，如果能知道跳转的次数就好了。毕竟每多跳一次，就多了一个 Header 部分，而且多个 Header 之间仍然是以 "\r\n\r\n" 分隔的。于是看 PHP curl 的 curl_getinfo，在 Return Values 中看到了 "redirect_count" 一项，正是要找的。