|
// 命令行颜色输出
$colors['red'] = "33[31m";
$colors['green'] = "33[32m";
$colors['yellow'] = "33[33m";
$colors['end'] = "33[0m";
$colors['reverse'] = "33[7m";
$colors['purple'] = "33[35m";
/*
默认参数设置
*/
$curl_default_config['ua'] = 'Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)';
$curl_default_config['referer'] = '';
$curl_default_config['retry'] = 5;
$curl_default_config['conntimeout'] = 30;
$curl_default_config['fetchtimeout'] = 30;
$curl_default_config['downtimeout'] = 60;
/*
针对指定域名设置referer(通常是用于下载图片)，优先于$curl_default_config
默认使用空referer，一般不会有问题
eg: $referer_config = array(
'img_domain'=>'web_domain',
'e.hiphotos.baidu.com'=>'http://hi.baidu.com/');
*/
$referer_config = array('img1.51cto.com'=>'blog.51cto.com',
'360doc.com'=>'www.360doc.com');
/*
针对指定域名设置User-agent，优先于$curl_default_config
默认使用百度蜘蛛的UA，拒绝百度UA的网站极少
eg: $useragent_config = array(
'web_domain'=>'user agent',
'www.xxx.com'=>'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0)');
*/
$useragent_config = array('hiphotos.baidu.com'=>'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0)';
/*
* 如果机器有多个IP地址，可以改变默认的出口IP，每次调用会在数组中随机选择一个。考虑到可能会有需要排除的IP，所以这里不自动配置为所有的IP。
* eg: $curl_ip_config = array('11.11.11.11', '22.22.22.22');
*/
$local_ip_config = array();
// cookie和临时文件目录
if((@file_exists('/dev/shm/') && @is_writable('/dev/shm/'))){
$cookie_dir = $tmpfile_dir = '/dev/shm/';
}else{
$cookie_dir = $tmpfile_dir = '/tmp/';
}
// 清除过期的cookie文件和下载临时文件
if(php_sapi_name() == 'cli'){
clear_curl_file();
}
/**
* GET方式抓取网页
*
* @param string $url 网页URL地址
* @param string $encode 返回的页面编码，默认为GBK，设置为空值则不转换
* @return string 网页HTML内容
*/
function curl_get($url, $encode='gbk'){
return curl_func($url, 'GET', null, null, null, $encode);
}
/**
* POST方式请求网页
*
* @param string $url 请求的URL地址
* @param array $data 发送的POST数据
* @param string $encode 返回的页面编码，默认为GBK，设置为空值则不转换
* @return bool
*/
function curl_post($url, $data, $encode='gbk'){
return curl_func($url, 'POST', $data, null, null, $encode);
}
/**
* 获取页面的HEADER信息
*
* HTTP状态码并不是以“名称:值”的形式返回，这里以http_code作为它的名称，其他的值都有固定的名称，并且转成小写
*
* @param string $url URL地址
* @return array 返回HEADER数组
*/
function curl_header($url, $follow=true){
$header_text = curl_func($url, 'HEADER');
if(!$header_text){
// 获取HTTP头失败
return FALSE;
}
$header_array =explode("rnrn", trim($header_text));
if($follow){
$last_header = array_pop($header_array);
}else{
$last_header = array_shift($header_array);
}
$lines = explode("n", trim($last_header));
// 处理状态码
$status_line = trim(array_shift($lines));
preg_match("/(ddd)/", $status_line, $preg);
if(!empty($preg[1])){
$header['http_code'] = $preg[1];
}else{
$header['http_code'] = 0;
}
foreach ($lines as $line) {
list($key, $val) = explode(':', $line, 2);
$key = str_replace('-', '_', strtolower(trim($key)));
$header[$key] = trim($val);
}
return $header;
}
/**
* 下载文件
*
* @param $url 文件地址
* @param $path 保存到的本地路径
* @return bool 下载是否成功
*/
function curl_down($url, $path, $data=null, $proxy=null){
if(empty($data)){
$method = 'GET';
}else{
$method = 'POST';
}
return curl_func($url, $method, $data, $path, $proxy);
}
/**
* 使用代理发起GET请求
*
* @param string $url 请求的URL地址
* @param string $proxy 代理地址
* @param string $encode 返回编码
*
* @return string 网页内容
*/
function curl_get_by_proxy($url, $proxy, $encode='gbk'){
return curl_func($url, 'GET', null, null, $proxy, $encode);
}
/**
* 使用代理发起POST请求
*
* @param string $url 请求的URL地址
* @param string $proxy 代理地址
* @param string $encode 返回编码
*
* @return string 网页内容
*/
function curl_post_by_proxy($url, $data, $proxy, $encode='gbk'){
return curl_func($url, 'POST', $data, null, $proxy, $encode);
}
/**
* @param string $url 请求的URL地址
* @param string $encode 返回编码
*
* @return string 网页内容
*/
function img_down($url, $path_pre){
$img_tmp = '/tmp/curl_imgtmp_pid_'.getmypid();
$res = curl_down($url, $img_tmp);
if(empty($res)){
return $res;
}
$ext = get_img_ext($img_tmp);
if(empty($ext)){
return NULL;
}
$path = "{$path_pre}.{$ext}";
@mkdir(dirname($path), 0777, TRUE);
// 转移临时的文件路径
rename($img_tmp, $path);
return $path;
}
function get_img_ext($path){
$types = array(
1 => 'gif',
2 => 'jpg',
3 => 'png',
6 => 'bmp'
);
$info = @getimagesize($path);
if(isset($types[$info[2]])){
$ext = $info['type'] = $types[$info[2]];
$ext == 'jpeg' && $ext = 'jpg';
} else{
$ext = FALSE;
}
return $ext;
}
/**
* 获取文件类型
*
* @param string $filepath 文件路径
* @return array 返回数组，格式为array($type, $ext)
*/
function get_file_type($filepath){
}
/**
* 返回文件的大小，用于下载文件后判断与本地文件大小是否相同
* curl_getinfo()方式获得的size_download并不一定是文件的真实大小
*
* @param string $url URL地址
* @return string 网络文件的大小
*/
function get_file_size($url){
$header = curl_header($url);
if(!empty($header['content_length'])){
return $header['content_length'];
}else{
return FALSE;
}
}
/**
* 获取状态码
*
* @param string $url URL地址
* @return string 状态码
*/
function get_http_code($url, $follow=true){
$header = curl_header($url, $follow);
if(!empty($header['http_code'])){
return $header['http_code'];
}else{
return FALSE;
}
}
/**
* 获取URL文件后缀
*
* @param string $url URL地址
* @return array 文件类型的后缀
*/
function curl_get_ext($url){
$header = curl_header($url);
if(!empty($header['content_type'])){
@list($type, $ext) = @explode('/', $header['content_type']);
if(!empty($type) && !empty($ext)){
return array($type, $ext);
}else{
return array('', '');
}
}else{
return array('', '');
}
}
/**
* 封装curl操作
*
* @param string $url 请求的URL地址
* @param string $method 请求的方法(POST, GET, HEADER, DOWN)
* @param mix $arg POST方式为POST数据，DOWN方式时为下载保存的路径
* @param string $return_encode 网页返回的编码
* @param string $proxy 代理
* @return mix 返回内容。4xx序列错误和空白页面会返回NULL，curl抓取错误返回False。结果正常则返回页面内容。
*/
// 待改进，下载到临时文件，下载成功后再转移（已经有文件则覆盖），下载失败则删除。
// 待改进，参数形式改成curl_func($url, $method, $data=null, savepath=null, $proxy=null, $return_encode='gbk')
function curl_func($url, $method, $data=null, $savepath=null, $proxy=null, $return_encode=null){
global $colors, $cookie_dir, $tmpfile_dir, $referer_config, $useragent_config, $local_ip_config, $curl_config;
// 控制台输出颜色
extract($colors);
// 去除URL中的/../
$url = get_absolute_path($url);
// 去除实体转码
$url = htmlspecialchars_decode($url);
// 统计数据
if(function_exists('mp_counter')){
if(!empty($savepath)){
mp_counter('down_total'); // 下载次数计数
}elseif($method == 'HEADER'){
mp_counter('header_total'); // 抓取HTTP头次数计数
}else{
mp_counter('fetch_total'); // 抓取网页次数计数
}
}
for($i = 0; $i < curl_config_get('retry'); $i++){
// 初始化
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
// 设置超时
curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, curl_config_get('conntimeout')); // 连接超时
if(empty($savepath)){
curl_setopt($ch, CURLOPT_TIMEOUT, curl_config_get('fetchtimeout')); // 抓取网页(包括HEADER)超时
}else{
curl_setopt($ch, CURLOPT_TIMEOUT, curl_config_get('downtimeout')); // 下载文件超时
}
// 接收网页内容到变量
curl_setopt($ch, CURLOPT_RETURNTRANSFER, TRUE);
// 忽略SSL验证
curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, 0);
curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, 0);
// 设置referer, 在文件里配置的优先级最高
foreach($referer_config as $domain=>$ref){
if(stripos($url, $domain) !== FALSE){
$referer = $ref;
break;
}
}
// 检查是否有通过curl_set_referer()设置referer
if(empty($referer) && !empty($curl_config[getmypid()]['referer'])){
$referer = $curl_config[getmypid()]['referer'];
}
if(!empty($referer)){
curl_setopt($ch, CURLOPT_REFERER, $referer);
}
// 设置HTTP请求标识，在文件里配置的优先级最高
foreach($useragent_config as $domain=>$ua){
if(stripos($url, $domain) !== FALSE){
$useragent = $ua;
break;
}
}
// 检查是否有通过curl_set_ua()设置useragent
if(empty($useragent)){
$useragent = curl_config_get('ua');
}
curl_setopt($ch, CURLOPT_USERAGENT, $useragent);
// 出口IP
if(!empty($local_ip_config)){
curl_setopt($ch, CURLOPT_INTERFACE, $local_ip_config[array_rand($local_ip_config)]);
}
// 设置代理
if(!empty($proxy)){
curl_setopt($ch, CURLOPT_PROXY, $proxy);
curl_setopt($ch, CURLOPT_PROXYTYPE, CURLPROXY_SOCKS5);
}
// 设置允许接收gzip压缩数据，以及解压，抓取HEADER时不使用(获取不到正确的文件大小，影响判断下载成功)
if($method != 'HEADER') {
curl_setopt($ch, CURLOPT_HTTPHEADER, array('Accept-Encoding: gzip, deflate'));
curl_setopt($ch, CURLOPT_ENCODING, "");
}
// 遇到301和302转向自动跳转继续抓取，如果用于WEB程序并且设置了open_basedir，这个选项无效
@curl_setopt($ch, CURLOPT_FOLLOWLOCATION, TRUE);
// 最大转向次数，避免进入到死循环
curl_setopt($ch, CURLOPT_MAXREDIRS, 5);
// 启用cookie
$cookie_path = $cookie_dir . 'curl_cookie_pid_' . get_ppid();
curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie_path);
curl_setopt($ch, CURLOPT_COOKIEJAR, $cookie_path);
// 设置post参数内容
if($method == 'POST'){
curl_setopt($ch, CURLOPT_HEADER, 0);
curl_setopt($ch, CURLOPT_POSTFIELDS, $data);
}
// 设置用于下载的参数
if(!empty($savepath)){
$tmpfile = $tmpfile_dir . '/curl_tmpfile_pid_'.getmypid();
file_exists($tmpfile) && unlink($tmpfile);
$fp = fopen($tmpfile, 'w');
curl_setopt($ch, CURLOPT_FILE, $fp);
}
// 仅获取header
if($method == 'HEADER'){
curl_setopt($ch, CURLOPT_NOBODY, TRUE);
curl_setopt($ch, CURLOPT_HEADER, TRUE);
}
// 抓取结果
$curl_res = curl_exec($ch);
// curl info
$info = curl_getinfo($ch);
// 调试curl时间，记录连接时间，等待时间，传输时间，总时间。
// 测试方法，任何输出前设置sleep，输出中间设置sleep
/*
foreach($info as $key=>$val){
echo "$key:$valn";
}
exit(9);
*/
// 错误信息
$error_msg = curl_error($ch);
$error_no = curl_errno($ch);
// 关闭CURL句柄
curl_close($ch);
// 如果CURL有错误信息则判断为抓取失败，重试
if(!empty($error_no) || !empty($error_msg)){
$error_msg = "{$error_msg}($error_no)";
curl_msg($error_msg, $method, $url, 'yellow');
continue;
}
// 统计流量
if(function_exists('mp_counter')){
if(!empty($info['size_download']) && $info['size_download'] > 0){
mp_counter('download_total', $info['size_download']);
}
}
// 对结果进行处理
if($method == 'HEADER'){
// 返回header信息
return $curl_res;
}else{
// 最终的状态码
$status_code = $info['http_code'];
if(in_array($status_code, array_merge(range(400, 417), array(500, 444)))){
// 非服务器故障性的错误，直接退出，返回NULL
$error_msg = $status_code;
if(!empty($savepath)){
$method = "{$method}|DOWN";
}
curl_msg($error_msg, $method, $url, 'red');
return NULL;
}if($status_code != 200){
// 防止网站502等临时错误，排除了上面的情况后，非200就重试。这一条规则需要后续根据情况来改进。
// curl执行过程中会自动跳转，这里不会出现301和302，除非跳转次数超过CURLOPT_MAXREDIRS的值
$error_msg = $status_code;
curl_msg($error_msg, $method, $url, 'yellow');
continue;
}
if(empty($savepath)){
// 抓取页面
if(empty($curl_res)){
// 空白页面
$error_msg = "blank page";
// 返回NULL值，调用处注意判断
return NULL;
}else{
// 默认将页面以GBK编码返回
// 分析页面编码
preg_match_all("/
// 转码条件：1)匹配到编码, 2)返回编码不为空, 3）匹配到的编码和返回编码不相同
if(!empty($matches[2][0]) && !empty($return_encode)
&& str_replace('-', '', strtolower($matches[2][0]))
!= str_replace('-', '', strtolower($return_encode))){
$curl_res = @iconv($matches[2][0], "{$return_encode}//IGNORE", $curl_res);
// 替换网页标明的编码
$curl_res = str_ireplace($matches[2][0], $return_encode, $curl_res);
}
// iconv如果失败则返回空白页
if(empty($curl_res)){
return NULL;
}else{
// 将相对路径转换为绝对路径
$curl_res = relative_to_absolute($curl_res, $url);
return $curl_res;
}
}
}else{
// 下载文件
if(@filesize($tmpfile) == 0){
$error_msg = 'Emtpy Content';
continue;
}
// 统计下载文件量
if(function_exists('mp_counter')){
mp_counter('download_size', filesize($tmpfile));
}
// 创建目录
@mkdir(dirname($savepath), 0777, TRUE);
// 转移临时的文件路径
rename($tmpfile, $savepath);
return TRUE;
}
}
}
// 如果是下载或者抓取header，并且错误代码为6(域名无法解析)，则不输出错误。失效的图片引用太多了。
// 域名不合法的时候也无法输出错误了，需要改进，在前面判断URL的合法性
if(!(($method == 'HEADER' || !empty($savepath)) && !empty($error_no) && $error_no == 6)){
if(!empty($savepath)){
$method = "{$method}|DOWN";
}
curl_msg($error_msg, $method, $url, 'red');
}
// 统计数据
if(function_exists('mp_counter')){
if(!empty($savepath)){
mp_counter('down_failed');
}elseif($method == 'HEADER'){
mp_counter('header_failed');
}else{
mp_counter('fetch_failed');
}
}
return FALSE;
}
/**
* 输出错误信息
*
* @param string $msg 错误信息
* @param string $method 请求方式
* @param string $url URL地址
* @param string $color 颜色
*/
function curl_msg($msg, $method, $url, $color){
global $colors;
extract($colors);
// 多并发下建议关闭黄色错误输出
//$available_msg[] = 'yellow';
$available_msg[] = 'red';
if(php_sapi_name() != 'cli'){
return;
}
if(!in_array($color, $available_msg)){
return;
}
echo "{$reverse}".$colors[$color]."({$method})[cURL ERROR: {$msg}] {$url}{$end}n";
}
/**
* 将URL地址转换为绝对路径
* URL地址有可能会遇到包含'/../'构成的相对路径，curl不会自动转换
* echo get_absolute_path("http://www.a.com/a/../b/../c/../././index.php");
* 结果为：http://www.a.com/index.php
*
* @param string $path 需要处理的URL
* @return string 返回URL的绝对路径
*/
function get_absolute_path($path) {
$parts = array_filter(explode('/', $path), 'strlen');
$absolutes = array();
foreach ($parts as $part) {
if ('.' == $part) continue;
if ('..' == $part) {
array_pop($absolutes);
} else {
$absolutes[] = $part;
}
}
return str_replace(':/', '://', implode('/', $absolutes));
}
/**
* 使用图片URL的md5值作为路径，并且分级目录
* 深度为e时，伪静态规则为rewrite ^/(.)(.)(.)(.*)$ /$1/$2/$3/$4 break;
* 平均1篇文章1张图片，三千万文章，三千万图片，3级目录最终4096子目录，平均每目录7324个图片
*
* @param string $str 原图片地址
* @param int $deep 目录深度
* @return string 返回分级目录
*/
function md5_path($str, $deep = 3){
$md5 = substr(md5($str), 0, 16);
preg_match_all('/./', $md5, $preg);
$res = '';
for($i = 0; $i < count($preg[0]); $i++){
$res .= $preg[0][$i];
if($i < $deep){
$res .= '/';
}
}
return $res;
}
function relative_to_absolute($content, $url) {
$content = preg_replace("/srcs*=s*"s*/", 'src="', $content);
$content = preg_replace("/hrefs*=s*"s*/", 'href="', $content);
preg_match("/(http|https|ftp)://[^/]*/", $url, $preg_base);
if(!empty($preg_base[0])){
// $preg_base[0]内容如http://www.yundaiwei.com
// 这里处理掉以/开头的链接，也就是相对于网站根目录的路径
$content = preg_replace('/href=s*"//i', 'href="'.$preg_base[0].'/', $content);
$content = preg_replace('/src=s*"//ims', 'src="'.$preg_base[0].'/', $content);
}
preg_match("/(http|https|ftp)://.*//", $url, $preg_full);
if(!empty($preg_full[0])){
// 这里处理掉相对于目录的路径，如src="../../images/jobs/lippman.gif"
// 排除掉file://开头的本地文件链接，排除掉data:image方式的BASE64图片
$content = preg_replace('/href=s*"s*(?!http|file://|data:image|javascript)/i', 'href="'.$preg_full[0], $content);
$content = preg_replace('/src=s*"s*(?!http|file://|data:image|javascript)/i', 'src="'.$preg_full[0], $content);
}
return $content;
}
/**
* 清除过期的cookie文件和下载临时文件
*/
function clear_curl_file(){
global $cookie_dir;
$cookie_files = glob("{$cookie_dir}curl_*_pid_*");
$tmp_files = glob("/tmp/curl_*_pid_*");
$files = array_merge($cookie_files, $tmp_files);
foreach($files as $file){
preg_match("/pid_(d*)/", $file, $preg);
$pid = $preg[1];
$exe_path = "/proc/{$pid}/exe";
// 如果文件不存在则说明进程不存在，判断是否为PHP进程，排除php-fpm进程
if(!file_exists($exe_path)
|| stripos(readlink($exe_path), 'php') === FALSE
|| stripos(readlink($exe_path), 'php-fpm') === TRUE){
$sem = @sem_get(@ftok($file, 'a'));
if($sem){
@sem_remove($sem);
}
unlink($file);
}
}
}
/**
* 如果是在子进程中，获取父进程PID，否则获取自身PID
* @return int
*/
if(!function_exists('get_ppid')){
function get_ppid(){
if(php_sapi_name() != 'cli'){
// 如果是web方式调用，返回PHP执行进程PID，如APACHE或者PHP-FPM
getmypid();
}else{
// 命令行执行进入到这里
// 这里需要识别出是在子进程中调用还是在父进程中调用，不同的形式，保存的变量内容的文件位置需要保持一致
$ppid = posix_getppid();
// 理论上，这种判断方式可能会出坑。但在实际使用中，除了fork出的子进程外，不太可能让PHP进程的父进程的程序名中出现php字样。
if(strpos(readlink("/proc/{$ppid}/exe"), 'php') === FALSE){
$pid = getmypid();
}else{
$pid = $ppid;
}
return $pid;
}
}
}
// UTF-8转GBK
if(!function_exists('u2g')){
function u2g($string){
return @iconv("UTF-8", "GBK//IGNORE", $string);
}
}
// GBK转UTF-8
if(!function_exists('g2u')) {
function g2u($string)
{
return @iconv("GBK", "UTF-8//IGNORE", $string);
}
}
function curl_rand_ua_pc(){
$ua = 'Mozilla/5.0 (compatible; MSIE '.rand(7, 9).
'.0; Windows NT 6.1; WOW64; Trident/'.rand(4, 5).'.0)';
return $ua;
}
function curl_rand_ua_mobile(){
$op = 'Mozilla/5.0 (Linux; U; Android '.rand(4,5).'.'.rand(1,5).'.'.rand(1,5).'; zh-cn; MI '.rand(3, 5).');';
$browser = 'AppleWebKit/'.rand(500, 700).'.'.rand(1,100).'.'.rand(1,100)
.' (KHTML, like Gecko) Version/'.rand(5,10)
.'.0 Mobile Safari/537.36 XiaoMi/MiuiBrowser/'.rand(1,5).'.'.rand(1,5).'.'.rand(1,5);
return $op.$browser;
}
function curl_config_get($key){
global $curl_config, $curl_default_config;
if(!empty($curl_config[getmypid()][$key])){
return $curl_config[getmypid()][$key];
}elseif(!empty($curl_default_config[$key])){
return $curl_default_config[$key];
}else{
echo '$curl_default_config'."[$key] Not Found!n";
exit(9);
}
}
function curl_config_set($key, $val){
global $curl_config;
$curl_config[getmypid()][$key] = $val;
}
function curl_set_ua($ua){
curl_config_set('ua', $ua);
}
function curl_set_referer($referer){
curl_config_set('referer', $referer);
}
function curl_set_retry($retry){
curl_config_set('retry', $retry);
}
function curl_set_conntimeout($conntimeout){
curl_config_set('conntimeout', $conntimeout);
}
function curl_set_fetchtimeout($fetchtimeout){
curl_config_set('fetchtimeout', $fetchtimeout);
}
function curl_set_downtimeout($downtimeout){
curl_config_set('downtimeout', $downtimeout);
}
|
