快捷導(dǎo)航

基于curl數(shù)據(jù)采集之單頁面并行采集函數(shù)get_htmls的使用

更新時(shí)間：2013年04月28日 17:15:09 作者：

用第一篇的get_html()實(shí)現(xiàn)簡單的數(shù)據(jù)采集，由于是一個(gè)一個(gè)執(zhí)行才采集數(shù)據(jù)的傳輸時(shí)間就會(huì)是所有頁面下載的總時(shí)長，一個(gè)頁面假設(shè)1秒，那么10個(gè)頁面就是10秒了。所幸curl還提供了并行處理的功能

用第一篇的get_html()實(shí)現(xiàn)簡單的數(shù)據(jù)采集，由于是一個(gè)一個(gè)執(zhí)行才采集數(shù)據(jù)的傳輸時(shí)間就會(huì)是所有頁面下載的總時(shí)長，一個(gè)頁面假設(shè)1秒，那么10個(gè)頁面就是10秒了。所幸curl還提供了并行處理的功能。

要寫一個(gè)并行采集的函數(shù)，先要了解要采集什么樣的頁面，對(duì)采集的頁面用什么請(qǐng)求，才能寫出一個(gè)相對(duì)常用的函數(shù)。

功能需求分析：

返回什么？

當(dāng)然每一個(gè)頁面的html集合成的數(shù)組

傳遞什么參數(shù)？

編寫get_html()時(shí)，我們知道了可以用options數(shù)組來傳遞更多的curl參數(shù)，那么多頁面同時(shí)采集函數(shù)的編寫這種特性也得保留下來。

什么類型的參數(shù)？

無論是請(qǐng)求網(wǎng)頁HTML，還是調(diào)用互聯(lián)網(wǎng)api接口，get和post傳遞參數(shù)總是請(qǐng)求同一個(gè)頁面或者接口，只是參數(shù)不同罷了。那么參數(shù)的類型是：

get_htmls($url,$options);

$url 是string

$options，是一個(gè)二維數(shù)組，每一個(gè)頁面的參數(shù)為一個(gè)數(shù)組。

這樣的話，貌似解決了問題。但是我找遍了curl的手冊(cè)都沒有看到get的參數(shù)傳遞在什么地方，所以只能$url 是數(shù)組的形式傳遞并且增加一個(gè)method參數(shù)

函數(shù)的原型就定下來了get_htmls($urls,$options = array, $method = ‘get');代碼如下：

復(fù)制代碼代碼如下:

function get_htmls($urls, $options = array(), $method = 'get'){
     $mh = curl_multi_init();
     if($method == 'get'){//get方式傳值 最常用
         foreach($urls as $key=>$url){
             $ch = curl_init($url);
             $options[CURLOPT_RETURNTRANSFER] = true;
             $options[CURLOPT_TIMEOUT] = 5;
             curl_setopt_array($ch,$options);
             $curls[$key] = $ch;
             curl_multi_add_handle($mh,$curls[$key]);
         }
     }elseif($method == 'post'){//post方式傳值 
         foreach($options as $key=>$option){
             $ch = curl_init($urls);
             $option[CURLOPT_RETURNTRANSFER] = true;
             $option[CURLOPT_TIMEOUT] = 5;
             $option[CURLOPT_POST] = true;
             curl_setopt_array($ch,$option);
             $curls[$key] = $ch;
             curl_multi_add_handle($mh,$curls[$key]);
         }
     }else{
         exit("參數(shù)出錯(cuò)!\n");
     }
     do{
         $mrc = curl_multi_exec($mh,$active);
         curl_multi_select($mh);//減少CPU壓力 注釋掉CPU壓力變大
     }while($active);
     foreach($curls as $key=>$ch){
         $html = curl_multi_getcontent($ch);
         curl_multi_remove_handle($mh,$ch);
         curl_close($ch);
         $htmls[$key] = $html;
     }
     curl_multi_close($mh);
     return $htmls;
 }

常用的get請(qǐng)求是通過改變url參數(shù)來實(shí)現(xiàn)的，又因?yàn)槲覀兊暮瘮?shù)是針對(duì)數(shù)據(jù)采集的。必然是分類采集，所以網(wǎng)址類似于這種：

http://www.baidu.com/s?wd=shili&pn=0&ie=utf-8

http://www.baidu.com/s?wd=shili&pn=10&ie=utf-8

http://www.baidu.com/s?wd=shili&pn=20&ie=utf-8

http://www.baidu.com/s?wd=shili&pn=30&ie=utf-8

http://www.baidu.com/s?wd=shili&pn=50&ie=utf-8

上面五個(gè)頁面是很有規(guī)律的，改變的僅僅是pn的值。

復(fù)制代碼代碼如下:

$urls = array();
 for($i=1; $i<=5; $i++){
     $urls[] = 'http://www.baidu.com/s?wd=shili&pn='.(($i-1)*10).'&ie=utf-8';
 }
 $option[CURLOPT_USERAGENT] = 'Mozilla/5.0 (Windows NT 6.1; rv:19.0) Gecko/20100101 Firefox/19.0';
 $htmls = get_htmls($urls,$option);
 foreach($htmls as $html){
     echo $html;//這里得到html 就可以進(jìn)行數(shù)據(jù)處理了
 }

模擬常用的post請(qǐng)求：

寫一個(gè)post.php文件如下：

復(fù)制代碼代碼如下:

 if(isset($_POST['username']) && isset($_POST['password'])){
     echo '用戶名是: '.$_POST['username'].' 密碼是: '.$_POST['password'];
 }else{
     echo '請(qǐng)求錯(cuò)誤!';
 }

然后調(diào)用如下:

復(fù)制代碼代碼如下:

$url = 'http://localhost/yourpath/post.php';//這里是你的路徑
 $options = array();
 for($i=1; $i<=5; $i++){
     $option[CURLOPT_POSTFIELDS] = 'username=user'.$i.'&password=pass'.$i;
     $options[] = $option;
 }
 $htmls = get_htmls($url,$options,'post');
 foreach($htmls as $html){
     echo $html;//這里得到html 就可以進(jìn)行數(shù)據(jù)處理了
 }

這樣這個(gè)get_htmls函數(shù)也基本能實(shí)現(xiàn)一些數(shù)據(jù)采集的功能了

今天分享就到這里寫的不好的講得不清楚的請(qǐng)多多指教

您可能感興趣的文章: