Como usar o PHP para colocar uma página da Web em uma variável

Question

Quero baixar uma página da Web, ela pode fazer quando você estiver usando um navegador simples como o Firefox, mas quando eu uso "File_Get_Contents", o servidor recusa e responde que entende o comando, mas não permite tais downloads.

Então o que fazer? Acho que vi em alguns scripts (no Perl) uma maneira de fazer do seu script como um navegador real, criando um agente do usuário e cookies, o que faz com que os servidores pensem que seu script é um navegador real.

Alguém tem uma idéia sobre isso, como isso pode ser feito?

Answer 1

Use Curl.

<?php
        // create curl resource
        $ch = curl_init();

        // set url
        curl_setopt($ch, CURLOPT_URL, "example.com");

        //return the transfer as a string
        curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);


        // set the UA
        curl_setopt($ch, CURLOPT_USERAGENT, 'My App (http://www.example.com/)');

        // Alternatively, lie, and pretend to be a browser
        // curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 5.1)');

        // $output contains the output string
        $output = curl_exec($ch);

        // close curl resource to free up system resources
        curl_close($ch);     
?>

(A partir de http://uk.php.net/manual/en/curl.examples-basic.php)

Answer 2

Sim, Curl é muito bom em obter conteúdo da página. Eu o uso com classes como Domdocument e Domxpath Para moer o conteúdo para uma forma utilizável.

function __construct($useragent,$url)
    {
        $this->useragent='Firefox (WindowsXP) - Mozilla/5.0 (Windows; U; Windows NT 5.1; en-GB; rv:1.8.1.6) Gecko/20070725 Firefox/2.0.0.'.$useragent;
        $this->url=$url;


        $ch = curl_init();
        curl_setopt($ch, CURLOPT_USERAGENT, $useragent);
        curl_setopt($ch, CURLOPT_URL,$url);
        curl_setopt($ch, CURLOPT_FAILONERROR, true);
        curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true);
        curl_setopt($ch, CURLOPT_AUTOREFERER, true);
        curl_setopt($ch, CURLOPT_RETURNTRANSFER,true);
        curl_setopt($ch, CURLOPT_TIMEOUT, 10);
        $html= curl_exec($ch);
        $dom = new DOMDocument();
        @$dom->loadHTML($html);
        $this->xpath = new DOMXPath($dom);
    }
...
public function displayResults($site)
$data=$this->path[0]->length;
    for($i=0;$i<$data;$i++)
    {   
    $delData=$this->path[0]->item($i);

    //setting the href and title properties 
$urlSite=$delData->getElementsByTagName('a')->item(0)->getAttribute('href'); 
                $titleSite=$delData->getElementsByTagName('a')->item(0)->nodeValue;

    //setting the saves and additoinal
                  $saves=$delData->getElementsByTagName('span')->item(0)->nodeValue;
    if ($saves==NULL)
    {
        $saves=0;
    }

    //build the array
    $this->newSiteBookmark[$i]['source']='delicious.com';
    $this->newSiteBookmark[$i]['url']=$urlSite;
    $this->newSiteBookmark[$i]['title']=$titleSite;
    $this->newSiteBookmark[$i]['saves']=$saves;


                }

O último faz parte de uma classe que elimina dados de Delicious.com . Não é muito legal embora.

Answer 3

Esta resposta leva seu comentário à resposta de Rich em mente.

O site provavelmente está verificando se você é ou não um usuário real usando o referente HTTP ou a sequência do agente do usuário. Tente defini -las para o seu cacho:

 //pretend you came from their site already
curl_setopt($ch, CURLOPT_REFERER, 'http://domainofthesite.com');
 //pretend you are firefox 3.06 running on windows Vista
curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/5.0 (Windows; U; Windows NT 6.0; en-US; rv:1.9.0.6) Gecko/2009011913 Firefox/3.0.6');

Answer 4

Outra maneira de fazer isso (embora outros tenham apontado uma maneira melhor) é usar a função FOPEN () do PHP, assim:

$handle = fopen("http://www.example.com/", "r");//open specified URL for reading

É especialmente útil se o curl não estiver disponível.