php curl_multi_exec()并发抓取网页内容

php curl_multi_exec()并发抓取网页内容

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$reg2="/]*)\s*class=\"imgdetail\"\s*src=('|\")([^'\"]+)('|\")/i";$reg3="";$reg4= "/
.*?<\/p>/i";//获取视频标题（备选）                                                                                          // 创建两个cURL资源$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, $pos+1);                              本2文来*源gao($daima.com搞@代@#码(网搞gaodaima代码                                                                    //整合到一个数组    $subArray=array('image'=>$last,'video'=>$video_url,'title'=>$til);    array_push($resultArray, $subArray);}echo json_encode($resultArray);

喜欢 (0)赏

[搞代码]

分享 (0)