使用curl抓取网页遇到HTTP跳转时得到多个HTTP头部的问题-白红宇

使用curl抓取网页遇到HTTP跳转时得到多个HTTP头部的问题

阅读量：6854 次

发布时间：2019-06-26

本文共 2788 字，大约阅读时间需要 9 分钟。

使用curl抓取网页遇到HTTP跳转时得到多个HTTP头部的问题

June 21st, 2011
在PHP的CURL扩展中，是可以通过CURL自身的设计自动处理HTTP 30X的跳转的。这个特性在使用起来很简单：
$ch = curl_init();curl_setopt($ch, CURLOPT_URL, 'http://www.example.com');curl_setopt($ch, CURLOPT_HEADER, true);curl_setopt($ch, CURLOPT_RETURNTRANSFER, true);curl_setopt($ch, CURLOPT_FOLLOWLOCATION, true); $content = curl_exec($ch);
正常情况下，$content 中的结果包括了 HTTP 头和 body 的信息，且以 "\r\n\r\n" 分隔。因此可以用
list($header, $body) = explode("\r\n\r\n", $content, 2);
来分别取得这两部分。不过如果在要访问的地址上发生了 HTTP 跳转，这时 curl_exec 执行得到的结果中就包含了两次访问的头部。例如把上面的代码的 URL 部分换成我这里的：
curl_setopt($ch, CURLOPT_URL, 'http://cn.programmingnote.com');
当访问 cn.programmingnote.com 时，会触发一个 302 跳转。此时 curl_exec 返回内容的开头是：

HTTP/1.1 302 Found
Date: Tue, 21 Jun 2011 08:15:58 GMT
Server: Apache/2.2.16 (Ubuntu)
X-Powered-By: PHP/5.3.3-1ubuntu9.5
Location: blog/
Vary: Accept-Encoding
Content-Length: 0
Content-Type: text/html

HTTP/1.1 200 OK
Date: Tue, 21 Jun 2011 08:15:58 GMT
Server: Apache/2.2.16 (Ubuntu)
X-Powered-By: PHP/5.3.3-1ubuntu9.5
X-Pingback: http://cn.programmingnote.com/blog/xmlrpc.php
Vary: Accept-Encoding
Transfer-Encoding: chunked
Content-Type: text/html; charset=UTF-8

很明显包含了两次的 HTTP 头部信息。此时再用 explode("\r\n\r\n", $content, 2) 的方法会把下面的头部信息归到 HTTP Body 部分里去。

而我在命令行下直接使用 curl 来访问包含跳转的地址时，却发现可以正确地把头部和 body 部分区别开。因此我想到可能是 PHP 的 curl 扩展在实现方面有些问题。于是我在 curl 扩展的代码中找到了 curl_exec 的实现：
/* {
       {
       { proto bool curl_exec(resource ch)   Perform a cURL session */PHP_FUNCTION(curl_exec){
       	CURLcode	error;	zval		*zid;	php_curl	*ch; 	if (zend_parse_parameters(ZEND_NUM_ARGS() TSRMLS_CC, "r", &zid) == FAILURE) {
       		return;	} 	ZEND_FETCH_RESOURCE(ch, php_curl *, &zid, -1, le_curl_name, le_curl); 	_php_curl_cleanup_handle(ch); 	error = curl_easy_perform(ch->cp);	SAVE_CURL_ERROR(ch, error);	/* CURLE_PARTIAL_FILE is returned by HEAD requests */	if (error != CURLE_OK && error != CURLE_PARTIAL_FILE) {
       		if (ch->handlers->write->buf.len > 0) {
       			smart_str_free(&ch->handlers->write->buf);		}		RETURN_FALSE;	}	// more code ...}
从名字上可以看出，真正处理 HTTP 访问的代码应该是在 curl_easy_perform 做的。经查证，这个函数是属于 libcurl 这个库的，和 PHP 扩展已经没有关系了。并且，我写了一段直接使用 libcurl 库的代码，和 PHP 中的用法并没有太大的区别，也没有特殊的参数用来设计是保留多次的 HTTP Header 还是只保留最后的一次 Header。
#include 
        
         #include 
         
          int main(){
       	CURL *handler = curl_easy_init();	curl_easy_setopt(handler, CURLOPT_HEADER, 1);	curl_easy_setopt(handler, CURLOPT_FOLLOWLOCATION, 1);	curl_easy_setopt(handler, CURLOPT_URL, "http://cn.programmingnote.com");	int res = curl_easy_perform(handler);	printf("%d\n", res);	return 0;}
         
        
和在 PHP 中测试的结果一样，依然是记录了两个 Header。

既然如此，想要把最后跳转到的地址的 Header 和 Body 区别出来，如果能知道跳转的次数就好了。毕竟每多跳一次，就多了一个 Header 部分，而且多个 Header 之间仍然是以 "\r\n\r\n" 分隔的。于是看 PHP curl 的，在 Return Values 中看到了 "redirect_count" 一项，正是要找的。