本帖最后由 xroha 于 2014-12-15 09:49:56 编辑 为什么用curl或file_get_content抓取不到数据。
百度经验里，比如http://jingyan.baidu.com/article/00a07f38441c3782d028dc04.html，
直接看页面源代码，是有文章数据。
但是用curl ，file_get_content.都无法正常获取文章内容。
这是为什么？已经伪造了IP，来路等，但还是抓取不到。百度是通过什么防止抓取数据的？
以下是代码：
<br />function fcontents( $url, $timeout = 5, $referer = "" ){<br /> $ch = curl_init();<br /> $header = array (<br /> 'User-Agent: Mozilla/5.0 (Windows NT 5.2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/35.0.1916.153 Safari/537.36','X-FORWARDED-FOR:154.125.25.15', 'CLIENT-IP:154.125.25.15'<br /> );<br /> curl_setopt($ch, CURLOPT_URL, $url);<br /> curl_setopt($ch, CURLOPT_TIMEOUT, $timeout);<br /> curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);<br /> curl_setopt($ch, CURLOPT_HTTPHEADER, $header); //构造用户IP<br /> curl_setopt($ch, CURLOPT_REFERER, "http://www.baidu.com/");//构造来路 <br /> $result = curl_exec($ch);<br /> curl_close($ch);<br /> return $result;<br />}<br /><br />$html = fcontents('http://jingyan.baidu.com/article/00a07f38441c3782d028dc04.html');<br /><br />echo $html;<br />------解决思路----------------------curl 只是抓取这个页面内容，但这个页面有其它许多的动态内容是不能通过抓取去填充的
------解决思路----------------------没有cookie的原因吧。先把cookie加上。
$url = "http://jingyan.baidu.com/article/00a07f38441c3782d028dc04.html";<br />$cookie_jar = dirname(__FILE__)."/jy.cookie";<br /><br />/* 获取cookie */<br />$ch = curl_init();<br />curl_setopt($ch, CURLOPT_URL, $url);<br />curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);<br />curl_setopt($ch, CURLOPT_COOKIEJAR, $cookie_jar);<br />curl_exec($ch);<br />curl_close($ch);
然后请求的时候带上cookie:
$ch = curl_init();<br />curl_setopt($ch, CURLOPT_URL, $url);<br />curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);<br />curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie_jar);<br />curl_setopt($ch, CURLOPT_HEADER, 0);<br />$res = curl_exec($ch);<br />curl_close($ch);<br />echo $res;
