php多线程抓取网页

PHP实现多线程抓取网页

 

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

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33

<?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

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37

<?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 );  ?>

转载于:https://www.cnblogs.com/qjyking/p/5343794.html