当前位置：首页 > article >正文

PHP爬虫教程：使用cURL和Simple HTML DOM Parser

article 2026/1/23 11:15:06

一个关于如何使用PHP的cURL和HTML解析器来创建爬虫的教程，特别是处理代理信息的部分。首先，我需要确定用户的需求是什么。可能他们想从某个网站抓取数据，但遇到了反爬措施，需要使用代理来避免被封IP。不过用户没有提到具体的目标网站，所以我需要保持教程的通用性。

首先，我应该分步骤来组织教程。第一步是引入必要的库，比如cURL和HTML解析器。PHP内置了cURL，但HTML解析可能需要用到第三方库，比如simple_html_dom。用户可能需要安装这个库，所以需要说明如何获取和引入。

在这里插入图片描述

接下来，创建处理代理的函数。这里需要解释代理的类型，比如HTTP、HTTPS或SOCKS，以及如何在cURL中设置这些代理。可能需要给出示例代码，设置CURLOPT_PROXY和CURLOPT_PROXYTYPE选项。同时，提醒用户注意代理的可用性，可能需要测试多个代理。

然后，发送HTTP请求的部分。这部分需要详细说明如何配置cURL选项，比如设置URL、返回传输、用户代理、超时时间等。还要处理可能的错误，比如请求失败或获取内容为空的情况。代码示例应该包括错误处理，比如检查curl_error和HTTP状态码。

接下来是解析HTML内容。这里要介绍如何使用simple_html_dom来加载HTML内容，并举例如何提取数据，比如通过标签、类名或ID查找元素。可能需要给出几个例子，比如获取所有链接或特定类的div内容。

最后，整合所有部分，给出一个完整的示例函数，包括代理设置、发送请求、解析内容。同时，提醒用户注意法律和道德问题，遵守robots.txt，尊重网站的服务条款，避免过于频繁的请求。

以下是一个关于如何使用 PHP cURL 和 HTML 解析器构建网络爬虫的教程，包含代理处理和代码示例：

1. 环境准备

<?php
// 引入 Simple HTML DOM 解析器（需提前下载）
require_once 'simple_html_dom.php';// 从 Composer 安装（推荐方式）：
// require 'vendor/autoload.php';

下载 Simple HTML DOM: http://simplehtmldom.sourceforge.net/

2. 基础爬虫函数（带代理支持）

function crawler($url, $proxy = null) {$ch = curl_init();// cURL 基础配置curl_setopt($ch, CURLOPT_URL, $url);curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.124 Safari/537.36');curl_setopt($ch, CURLOPT_TIMEOUT, 15);// 代理配置if ($proxy) {curl_setopt($ch, CURLOPT_PROXY, $proxy['ip']);curl_setopt($ch, CURLOPT_PROXYPORT, $proxy['port']);// 代理类型设置（根据需要使用）if ($proxy['type'] === 'SOCKS5') {curl_setopt($ch, CURLOPT_PROXYTYPE, CURLPROXY_SOCKS5);}// 如需代理认证if (isset($proxy['auth'])) {curl_setopt($ch, CURLOPT_PROXYUSERPWD, $proxy['auth']);}}// 执行请求$response = curl_exec($ch);// 错误处理if(curl_errno($ch)) {throw new Exception('Curl error: ' . curl_error($ch));}$httpCode = curl_getinfo($ch, CURLINFO_HTTP_CODE);if($httpCode !== 200) {throw new Exception("HTTP Error: $httpCode");}curl_close($ch);return $response;
}

3. 使用示例

基本请求

try {$html = crawler('https://example.com');echo $html;
} catch (Exception $e) {echo "Error: " . $e->getMessage();
}

带代理请求

$proxy = ['ip' => '123.45.67.89','port' => 8080,'type' => 'HTTP','auth' => 'user:pass' // 如果需要认证
];try {$html = crawler('https://target-site.com', $proxy);
} catch (Exception $e) {// 处理代理失败，可在此添加代理轮换逻辑
}

4. HTML 解析示例

function parse_html($html) {$dom = str_get_html($html);if(!$dom) {throw new Exception("HTML parsing failed");}// 示例：提取所有链接$links = [];foreach($dom->find('a') as $element) {$links[] = ['text' => $element->plaintext,'href' => $element->href];}// 示例：提取特定类的内容$articles = [];foreach($dom->find('div.article') as $article) {$articles[] = ['title' => $article->find('h2.title', 0)->plaintext,'content' => $article->find('div.content', 0)->innertext];}$dom->clear(); // 清理内存unset($dom);return ['links' => $links,'articles' => $articles];
}

5. 高级技巧

随机 User-Agent

$userAgents = ['Mozilla/5.0 (Windows NT 10.0; Win64; x64) ...','Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7)...','Mozilla/5.0 (X11; Linux x86_64) ...'
];
curl_setopt($ch, CURLOPT_USERAGENT, $userAgents[array_rand($userAgents)]);

处理 SSL 验证

curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, false); // 禁用SSL验证（测试用）
curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, 0);

延迟处理（避免被封）

sleep(rand(1, 3)); // 随机延迟1-3秒

6. 完整工作流程

function full_crawling_process($url, $proxy) {try {// 第一步：获取页面$html = crawler($url, $proxy);// 第二步：解析内容$data = parse_html($html);// 第三步：数据处理foreach ($data['articles'] as $article) {// 保存到数据库或文件}return true;} catch (Exception $e) {// 记录错误日志error_log($e->getMessage());return false;}
}

注意事项

法律合规性：
- 遵守目标网站的 robots.txt
- 不要进行高频请求（建议≥3秒/次）
- 尊重网站的服务条款
代理选择：
- 推荐使用付费代理服务获取稳定IP
反爬对策：
- 定期更换 User-Agent
- 使用 Cookie 会话保持
- 添加随机延迟
- 使用 headless 浏览器处理动态内容
性能优化：
- 使用 curl_multi 进行并发请求
- 缓存已抓取页面
- 使用数据库存储结果

通过这个教程，您可以快速构建一个支持代理的基础爬虫。请根据实际需求调整参数和异常处理逻辑。