phpcurl_multi_exec()并发抓取网页内容
内容导读
互联网集市收集整理的这篇技术教程文章主要介绍了phpcurl_multi_exec()并发抓取网页内容,小编现在分享给大家,供广大互联网技能从业者学习和参考。文章包含4849字,纯文字阅读大概需要7分钟。
内容图文
![phpcurl_multi_exec()并发抓取网页内容](/upload/InfoBanner/zyjiaocheng/207/2fd2ed2f914f48399bdc42a46ed61bfe.jpg)
php是个单线程的语言,于是在某方面速率比不上java这种多线程的语言,毕竟主打方面不在这里..但是php也有自己的多线程(其实是并发)方法--curl_multi_exec().
我们可以用curll来获取网页的内容(不懂curl的可以找个简单的例子来看看),但是若是同时获取多个网页的内容,速度就不太理想,这个时候curl_multi_exec()就可以发挥作用了。
下面是我在抓取优酷网内容的例子:
function async_get_url($url_array, $wait_usec = 0) { if (!is_array($url_array)) return false; $wait_usec = intval($wait_usec); $data = array(); $handle = array(); $running = 0; $mh = curl_multi_init(); // multi curl handler $i = 0; foreach($url_array as $url) { $ch = curl_init(); curl_setopt($ch, CURLOPT_URL, $url); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); // return don't print curl_setopt($ch, CURLOPT_TIMEOUT, 30); curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)'); curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); // 302 redirect curl_setopt($ch, CURLOPT_MAXREDIRS, 7); curl_multi_add_handle($mh, $ch); // 把 curl resource 放進 multi curl handler 裡 $handle[$i++] = $ch; } /* 此做法就可以避免掉 CPU loading 100% 的問題 */ // 參考自: http://www.hengss.com/xueyuan/sort0362/php/info-36963.html do { $mrc = curl_multi_exec($mh, $active); } while ($mrc == CURLM_CALL_MULTI_PERFORM); while ($active and $mrc == CURLM_OK) { if (curl_multi_select($mh) != -1) { do { $mrc = curl_multi_exec($mh, $active); } while ($mrc == CURLM_CALL_MULTI_PERFORM); } } /* // 感謝 Ren 指點的作法. (需要在測試一下) // curl_multi_exec的返回值是用來返回多線程處裡時的錯誤,正常來說返回值是0,也就是說只用$mrc捕捉返回值當成判斷式的迴圈只會運行一次,而真的發生錯誤時,有拿$mrc判斷的都會變死迴圈。 // 而curl_multi_select的功能是curl發送請求後,在有回應前會一直處於等待狀態,所以不需要把它導入空迴圈,它就像是會自己做判斷&自己決定等待時間的sleep()。 /* 讀取資料 */ foreach($handle as $i => $ch) { $content = curl_multi_getcontent($ch); $data[$i] = (curl_errno($ch) == 0) ? $content : false; } /* 移除 handle*/ foreach($handle as $ch) { curl_multi_remove_handle($mh, $ch); } curl_multi_close($mh); return $data; } $url="http://m.youku.com/wap/"; $reg1="/(.*?)<\/a>/i";//获取视频链接 $reg2="/<img([^>]*)\s*class=\"imgdetail\"\s*src=('|\")([^'\"]+)('|\")/i"; $reg3=""; $reg4= "/<p\s*class=\"videotitle\".*?>.*?<\/p>/i";//获取视频标题(备选) // 创建两个cURL资源 $ch1 = curl_init(); $resultArray=array();//装载所有数据的数组 $ch=array(); //$ch2 = curl_init(); // 指定URL和适当的参数 curl_setopt($ch1, CURLOPT_URL,$url); curl_setopt($ch1, CURLOPT_RETURNTRANSFER, 1); curl_setopt($ch1, CURLOPT_HEADER, 0); $content=curl_exec($ch1); curl_close($ch1); //$content=file_get_contents($url); preg_match_all($reg1, $content,$matches); $video=$matches[0];//首页视频的链接 //print_r($video); foreach ($video as $a=>$key) { $position=strpos($key, "href"); $substring=substr($key, $position+11); $pos=strpos($substring, ">"); $link=substr($substring, 0,$pos-1); $nextUrl[$a]=$url.$link; } //$url_array = array( // 'http://www.google.com', // 'http://www.baidu.com', //); //print_r($nextUrl); //print_r(async_get_url($nextUrl)); //并发获取所有网页的内容 $allData=async_get_url($nextUrl); foreach ($allData as $page) { //获取视频图片 preg_match_all($reg2, $page,$img); $img_arr=$img[0]; foreach ($img_arr as $arr) { $position=strpos($arr, "src"); $sub=substr($arr, $position+5); $pos=strpos($sub, "\""); $last=substr($sub, 0,$pos); } //获取视频高清点播地址 preg_match_all($reg3, $page,$vids); $video_arr=$vids[0]; $vid=$video_arr[0]; $position=strpos($vid, "href"); $v_string=substr($vid, $position+11); $pos=strpos($v_string, "\""); $add=substr($v_string, 0,$pos); $video_url=$url.$add; //获取视频的标题 preg_match_all($reg4, $page,$match); $title=$match[0]; //print_r($er); $r=serialize($title); $position=mb_strpos($r, ""); $sub=substr($r, 0,$position); $pos=mb_strrpos($sub, ">"); $til=substr($sub, $pos+1); //整合到一个数组 $subArray=array('image'=>$last,'video'=>$video_url,'title'=>$til); array_push($resultArray, $subArray); } echo json_encode($resultArray);
重点在与async_get_url这个函数
do { $mrc = curl_multi_exec($mh, $active); } while ($mrc == CURLM_CALL_MULTI_PERFORM); while ($active and $mrc == CURLM_OK) { if (curl_multi_select($mh) != -1) { do { $mrc = curl_multi_exec($mh, $active); } while ($mrc == CURLM_CALL_MULTI_PERFORM); } }
上面那段是重点也是难点。
第一个循环,$mrc == CURLM_CALL_MULTI_PERFORM(-1)表明了还有句柄资源没有处 理,于是就继续$mrc = curl_multi_exec($mh, $active)
要特别说明的是$mrc和$active都是integer类型的;
当$mrc== CURLM_OK(0),就表明了还有资源,但还没有到达。
这是就到第二个循环了:
(while)要是有资源还没有到达
(if)如果cURL批处理连接中有活动连接--也就是说句柄有事干了(具体可以参考php手册)
(do-while)处理句柄资源
curl并发处理因为官方文档比较简练,我自己也查了好多英文文档才略懂。
希望大家能一起进步!
参考文档:
http://technosophos.com/content/php-and-curlmultiexec
http://blog.longwin.com.tw/2009/10/php-multi-thread-curl-2009/
内容总结
以上是互联网集市为您收集整理的phpcurl_multi_exec()并发抓取网页内容全部内容,希望文章能够帮你解决phpcurl_multi_exec()并发抓取网页内容所遇到的程序开发问题。 如果觉得互联网集市技术教程内容还不错,欢迎将互联网集市网站推荐给程序员好友。
内容备注
版权声明:本文内容由互联网用户自发贡献,该文观点与技术仅代表作者本人。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌侵权/违法违规的内容, 请发送邮件至 gblab@vip.qq.com 举报,一经查实,本站将立刻删除。
内容手机端
扫描二维码推送至手机访问。