用php的curl抓取网页遇到了问题,为阐述方便,将代码简化如下:
<?php function curlGet($url) { $ch = curl_init(); curl_setopt($ch, CURLOPT_URL, $url); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); curl_setopt($ch, CURLOPT_HEADER, true); return curl_exec($ch); } $url = 'http://144go.com'; echo curlGet($url), "\n";代码的目的很简单,抓取页面: http://www.144go.com
执行上述代码,得到的结果:
HTTP/1.1 301 Moved Permanently Content-Length: 144 Content-Type: text/html Location: http://www.144go.com/ Server: Microsoft-IIS/6.0 X-Powered-By: ASP.NET Date: Mon, 03 Sep 2012 04:25:22 GMT <head><title>Document Moved</title></head> <body><h1>Object Moved</h1>This document may be found <a HREF="http://www.144go.com/">here</a></body>由结果中的
Location: http://www.144go.com/
可知 http://144go.com 被重定向到了 http://www.144go.com/
怎么办呢,要用正则分析出Location部分的链接,重复执行执行curlGet吗?行到是行,就是有点麻烦。
其实只要加一条语就可以了:
<?php function curlGet($url) { $ch = curl_init(); curl_setopt($ch, CURLOPT_URL, $url); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); curl_setopt($ch, CURLOPT_HEADER, true); //函数中加入下面这条语句 curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); return curl_exec($ch); }再次执行代码,可以抓取到想要的页面。
CURLOPT_FOLLOWLOCATION指明:
让curl递归的抓取http头中Location中指明的url。
当抓取次数超过CURLOPT_MAXREDIRS时,递归将终止。
在抓取中任何跳转带来的问题,都可通过设置此参数解决。
有关重定向的问题,可参考HTTP返回码中301与302的区别