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(yè)面采集函數(shù)get_html

2.curl數(shù)據(jù)采集系列之多頁(yè)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(yè)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(jiǎn)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(yè)采集來做例子講解

最簡(jiǎn)單的寫法：
復(fù)制代碼 代碼如下:
$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:
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:
$url = 'http://www.baidu.com';
echo get_html($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(yè)面 如現(xiàn)在要得到網(wǎng)易的頁(yè)面：
復(fù)制代碼 代碼如下:
$url = 'http://www.163.com';
echo get_html($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:
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:
$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(yè)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:
$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(yè)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(yè)的時(shí)候就可以簡(jiǎn)單采集了：
復(fù)制代碼 代碼如下:
 $url = 'http://www.163.com/index.html';
 echo get_html($url);

這樣也可以正常的采集

php技術(shù)：基于curl數(shù)據(jù)采集之單頁(yè)面采集函數(shù)get_html的使用，轉(zhuǎn)載需保留來源！

鄭重聲明：本文版權(quán)歸原作者所有，轉(zhuǎn)載文章僅為傳播更多信息之目的，如作者信息標(biāo)記有誤，請(qǐng)第一時(shí)間聯(lián)系我們修改或刪除，多謝。