PHP实现多线程抓取网页

作者:enenba | 发表于:2013-05-29 17:45 | 分类:php源码

PHP 利用 Curl Functions 可以完成各种传送文件操作,比如模拟浏览器发送GET,POST请求等等,受限于php语言本身不支持多线程,所以开发爬虫程序效率并不高,这时候往往需 要借助Curl Multi Functions 它可以实现并发多线程的访问多个url地址。既然 Curl Multi Function如此强大,能否用 Curl Multi Functions 来写并发多线程下载文件呢,当然可以,下面给出我的代码:

代码1:将获得的代码直接写入某个文件

 

<?php
$urls = array(   
 'http://www.sina.com.cn/',   
 'http://www.sohu.com/',   
 'http://www.163.com/' 
); // 设置要抓取的页面URL   
         
$save_to='/test.txt';   // 把抓取的代码写入该文件    
       
$st = fopen($save_to,"a");   
$mh = curl_multi_init();    
       
foreach ($urls as $i => $url) {   
  $conn[$i] = curl_init($url);   
  curl_setopt($conn[$i], CURLOPT_USERAGENT, "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)");   
  curl_setopt($conn[$i], CURLOPT_HEADER ,0);   
  curl_setopt($conn[$i], CURLOPT_CONNECTTIMEOUT,60);   
  curl_setopt($conn[$i], CURLOPT_FILE,$st); // 设置将爬取的代码写入文件   
  curl_multi_add_handle ($mh,$conn[$i]);   
} // 初始化   
         
do {   
  curl_multi_exec($mh,$active);   
} while ($active);  // 执行   
         
foreach ($urls as $i => $url) {   
  curl_multi_remove_handle($mh,$conn[$i]);   
  curl_close($conn[$i]);   
} // 结束清理   
         
curl_multi_close($mh);   
fclose($st); 
?>

代码2:将获得的代码先放入变量,再写入某个文件

<?php
$urls = array(   
 'http://www.sina.com.cn/',   
 'http://www.sohu.com/',   
 'http://www.163.com/' 
);   
       
$save_to='/test.txt';   // 把抓取的代码写入该文件   
$st = fopen($save_to,"a");   
       
$mh = curl_multi_init();   
foreach ($urls as $i => $url) {   
  $conn[$i] = curl_init($url);   
  curl_setopt($conn[$i], CURLOPT_USERAGENT, "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)");   
  curl_setopt($conn[$i], CURLOPT_HEADER ,0);   
  curl_setopt($conn[$i], CURLOPT_CONNECTTIMEOUT,60);   
  curl_setopt($conn[$i],CURLOPT_RETURNTRANSFER,true);  // 设置不将爬取代码写到浏览器,而是转化为字符串   
  curl_multi_add_handle ($mh,$conn[$i]);   
}   
       
do {   
  curl_multi_exec($mh,$active);   
} while ($active);   
         
foreach ($urls as $i => $url) {   
  $data = curl_multi_getcontent($conn[$i]); // 获得爬取的代码字符串   
  fwrite($st,$data);  // 将字符串写入文件。当然,也可以不写入文件,比如存入数据库   
} // 获得数据变量,并写入文件   
       
foreach ($urls as $i => $url) {   
  curl_multi_remove_handle($mh,$conn[$i]);   
  curl_close($conn[$i]);   
}   
       
curl_multi_close($mh);   
fclose($st);  
?>

上一篇: PHP采集类Snoopy伪造来源,IP   |   下一篇:【转】PHP simple_html_dom.php+正则 采集文章代码» 标签: php源码 抓取网页

评论:

2013-06-13 22:23

http://www.phpernote.com/php-function/281.html

差不多,,,,

2013-06-05 21:34

不知道博主有没有兴趣发起个PHP写采集器的开源项目,如果有意向的话可以拉上我

2013-06-06 17:04

空间准备备案,成功的话可以考虑做个。