浅谈爬虫

58爬虫了百姓，赶集和58互爬，最后各种信息相同，都是爬虫后的数据库调用，潜规则啊，几家独大还暗中各种攻击，赶驴网的幽默事例我不想多评价。这个时代是砸.钱*养.钱的时代，各种姚晨杨幂葛优，各种地铁公车广告，各种卫视广告，铺天盖地~~~

来谈php爬虫抓取信息~~
php爬虫首推Curl函数了，先来认识下它。
0x01.curl扩展的安装：

1.确保php子文件夹ext里面有php_curl.dll（一般都有的，一般配置时候会设置环境变量的）

2.将php.ini里面的;extension=php_curl.dll反注释为extension=php_curl.dll

3.重启apache完了。

4.如果还不行，把php5/libeay32.dll，ssleay32.dll复制到系统目录windows/下，这2个dll的描述是OpenSSL Shared Library。

否则会出现

Fatal error: Call to undefined function curl_init() in XX:XXXXXX.php on line 3?

这样未定义，找不到库的错误，大家懂的。

0x02.先来熟悉下curl再去采集抓取，信息时代，大爆炸，爬虫个信息不是难事。顺便测试登陆，COOKIE。

PHP中的CURL函数库（Client URL Library Function）是个强大的库。

curl_close — 关闭一个curl会话

curl_copy_handle — 拷贝一个curl连接资源的所有内容和参数

curl_errno — 返回一个包含当前会话错误信息的数字编号

curl_error — 返回一个包含当前会话错误信息的字符串

curl_exec — 执行一个curl会话

curl_getinfo — 获取一个curl连接资源句柄的信息

curl_init — 初始化一个curl会话

curl_multi_add_handle — 向curl批处理会话中添加单独的curl句柄资源

curl_multi_close — 关闭一个批处理句柄资源

curl_multi_exec — 解析一个curl批处理句柄

curl_multi_getcontent — 返回获取的输出的文本流

curl_multi_info_read — 获取当前解析的curl的相关传输信息

curl_multi_init — 初始化一个curl批处理句柄资源

curl_multi_remove_handle — 移除curl批处理句柄资源中的某个句柄资源

curl_multi_select — Get all the sockets associated with the cURL extension, which can then be "selected"

curl_setopt_array — 以数组的形式为一个curl设置会话参数

curl_setopt — 为一个curl设置会话参数

curl_version — 获取curl相关的版本信息

curl_init()函数的作用初始化一个curl会话，curl_init()函数唯一的一个参数是可选的，表示一个url地址。

curl_exec()函数的作用是执行一个curl会话，唯一的参数是curl_init()函数返回的句柄。

curl_close()函数的作用是关闭一个curl会话，唯一的参数是curl_init()函数返回的句柄。
简单实例：

<?php

$url = "http://yxmhero1989.blog.163.com/";//不建议爬大型网站，一般都有反爬虫机制，被封了IP别怪我~~

$ch = curl_init($url);//初始curl会话

$fp = fopen("homepage.txt", "w");//这里是把抓取的网页内容写入一个txt文件，下面会告诉你操作数据库。

curl_setopt($ch, CURLOPT_FILE, $fp);//为一个curl设置会话参数

curl_setopt($ch, CURLOPT_HEADER, 0);//设置header

curl_exec($ch);//执行curl会话

curl_close($ch);//关闭curl会话

fclose($fp);

?> 

0x03.关于CURL_SETOPT()函数的设置

bool curl_setopt (int ch, string option, mixed value)

curl_setopt()函数将为一个CURL会话设置选项。option参数是你想要的设置，value是这个选项给定的值。

下列选项的值将被作为长整形使用(在option参数中指定)：

* CURLOPT_INFILESIZE: 当你上传一个文件到远程站点，这个选项告诉PHP你上传文件的大小。

* CURLOPT_VERBOSE: 如果你想CURL报告每一件意外的事情，设置这个选项为一个非零值。

* CURLOPT_HEADER: 如果你想把一个头包含在输出中，设置这个选项为一个非零值。

* CURLOPT_NOPROGRESS: 如果你不会PHP为CURL传输显示一个进程条，设置这个选项为一个非零值。注意：PHP自动设置这个选项为非零值，你应该仅仅为了调试的目的来改变这个选项。

* CURLOPT_NOBODY: 如果你不想在输出中包含body部分，设置这个选项为一个非零值。

* CURLOPT_FAILONERROR: 如果你想让PHP在发生错误(HTTP代码返回大于等于300)时，不显示，设置这个选项为一人非零值。默认行为是返回一个正常页，忽略代码。

* CURLOPT_UPLOAD: 如果你想让PHP为上传做准备，设置这个选项为一个非零值。

* CURLOPT_POST: 如果你想PHP去做一个正规的HTTP POST，设置这个选项为一个非零值。这个POST是普通的 application/x-www-from-urlencoded 类型，多数被HTML表单使用。

* CURLOPT_FTPLISTONLY: 设置这个选项为非零值，PHP将列出FTP的目录名列表。

* CURLOPT_FTPAPPEND: 设置这个选项为一个非零值，PHP将应用远程文件代替覆盖它。

* CURLOPT_NETRC: 设置这个选项为一个非零值，PHP将在你的 ~./netrc 文件中查找你要建立连接的远程站点的用户名及密码。

* CURLOPT_FOLLOWLOCATION: 设置这个选项为一个非零值(象 “Location: “)的头，服务器会把它当做HTTP头的一部分发送(注意这是递归的，PHP将发送形如 “Location: “的头)。

* CURLOPT_PUT: 设置这个选项为一个非零值去用HTTP上传一个文件。要上传这个文件必须设置CURLOPT_INFILE和CURLOPT_INFILESIZE选项.

* CURLOPT_MUTE: 设置这个选项为一个非零值，PHP对于CURL函数将完全沉默。

* CURLOPT_TIMEOUT: 设置一个长整形数，作为最大延续多少秒。

* CURLOPT_LOW_SPEED_LIMIT: 设置一个长整形数，控制传送多少字节。

* CURLOPT_LOW_SPEED_TIME: 设置一个长整形数，控制多少秒传送CURLOPT_LOW_SPEED_LIMIT规定的字节数。

* CURLOPT_RESUME_FROM: 传递一个包含字节偏移地址的长整形参数，(你想转移到的开始表单)。

* CURLOPT_SSLVERSION: 传递一个包含SSL版本的长参数。默认PHP将被它自己努力的确定，在更多的安全中你必须手工设置。

* CURLOPT_TIMECONDITION: 传递一个长参数，指定怎么处理CURLOPT_TIMEVALUE参数。你可以设置这个参数为TIMECOND_IFMODSINCE 或 TIMECOND_ISUNMODSINCE。这仅用于HTTP。

* CURLOPT_TIMEVALUE: 传递一个从1970-1-1开始到现在的秒数。这个时间将被CURLOPT_TIMEVALUE选项作为指定值使用，或被默认TIMECOND_IFMODSINCE使用。

下列选项的值将被作为字符串：

* CURLOPT_URL: 这是你想用PHP取回的URL地址。你也可以在用curl_init()函数初始化时设置这个选项。

* CURLOPT_USERPWD: 传递一个形如[username]:[password]风格的字符串,作用PHP去连接。

* CURLOPT_PROXYUSERPWD: 传递一个形如[username]:[password] 格式的字符串去连接HTTP代理。

* CURLOPT_RANGE: 传递一个你想指定的范围。它应该是”X-Y”格式，X或Y是被除外的。HTTP传送同样支持几个间隔，用逗句来分隔(X-Y,N-M)。

* CURLOPT_POSTFIELDS: 传递一个作为HTTP “POST”操作的所有数据的字符串。

* CURLOPT_REFERER: 在HTTP请求中包含一个”referer”头的字符串。

* CURLOPT_USERAGENT: 在HTTP请求中包含一个”user-agent”头的字符串。

* CURLOPT_FTPPORT: 传递一个包含被ftp “POST”指令使用的IP地址。这个POST指令告诉远程服务器去连接我们指定的IP地址。这个字符串可以是一个IP地址，一个主机名，一个网络界面名 (在UNIX下)，或是‘-’(使用系统默认IP地址)。

* CURLOPT_COOKIE: 传递一个包含HTTP cookie的头连接。

* CURLOPT_SSLCERT: 传递一个包含PEM格式证书的字符串。

* CURLOPT_SSLCERTPASSWD: 传递一个包含使用CURLOPT_SSLCERT证书必需的密码。

* CURLOPT_COOKIEFILE: 传递一个包含cookie数据的文件的名字的字符串。这个cookie文件可以是Netscape格式，或是堆存在文件中的HTTP风格的头。

* CURLOPT_CUSTOMREQUEST: 当进行HTTP请求时，传递一个字符被GET或HEAD使用。为进行DELETE或其它操作是有益的，更Pass a string to be used instead of GET or HEAD when doing an HTTP request. This is useful for doing or another, more obscure, HTTP request. 注意: 在确认你的服务器支持命令先不要去这样做。下列的选项要求一个文件描述(通过使用fopen()函数获得)：

* CURLOPT_FILE: 这个文件将是你放置传送的输出文件，默认是STDOUT.

* CURLOPT_INFILE: 这个文件是你传送过来的输入文件。

* CURLOPT_WRITEHEADER: 这个文件写有你输出的头部分。

* CURLOPT_STDERR: 这个文件写有错误而不是stderr。用来获取需要登录的页面的例子,当前做法是每次或许都登录一次,有需要的人再做改进了.

 

PHP实现最简单爬虫原型（话说原作者的正则注释反了，出现错误哈哈）

代码如下
<?php

function _getUrlContent($url){

    $handle = fopen($url, "r");

    if($handle){

        $content = stream_get_contents($handle,1024*1024);

        return $content;

    }else{

        return false;

    }    

}

function _filterUrl($web_content){

    $reg_tag_a = "/<[a|A].*?href=['"]{0,1}([^>'" ]*).*?>/";

    //$result = preg_match_all($reg_tag_a,$web_content,$match_result);

    $result = preg_match_all("/<meta[^>]*?name=['"]?description['"]?[^>]*?>/is",$web_content,$match_result);

    if($result){

        return $match_result[1];

    }

}

function _reviseUrl($base_url,$url_list){

    $url_info = parse_url($base_url);

    $base_url = $url_info["scheme"].'://';

    if($url_info["user"]&&$url_info["pass"]){

        $base_url .= $url_info["user"].":".$url_info["pass"]."@";

    }

    $base_url .= $url_info["host"];

    if($url_info["port"]){

        $base_url .= ":".$url_info["port"];

    }

    $base_url .= $url_info["path"];

    print_r($base_url);

    if(is_array($url_list)){

        foreach ($url_list as $url_item) {

            if(preg_match('/^http/',$url_item)){

                //已经是完整的url

                $result[] = $url_item;

            }else {

                //不完整的url

                $real_url = $base_url.'/'.$url_item;

                $result[] = $real_url;

            }

        }

        return $result;

    }else {

        return;

    }

}

function crawler($url){

    $content = _getUrlContent($url);

    if($content){

        $url_list = _reviseUrl($url,_filterUrl($content));

        if($url_list){

            return $url_list;

        }else {