PHP多进程编程(三)多进程抓取网页的演示
要理解这个部分的代码,请阅读:
用 Socket 和 Pcntl 实现一个多进程服务器(一)
我们知道,从父进程到子经常的数据传递相对比较容易一些,但是从子进程传递到父进程就比较的困难。
有很多办法实现进程交互,在php中比较方便的是 管道通信。当然,还可以通过 socket_pair 进行通信。
首先是服务器为了应对每一个请求要做的事情(发送一个url 序列,url序列用\t 分割。而结束标记是 \n)
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![ExpandedBlockStart.gif](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
{
$nbuf = '' ;
socket_set_block( $msgsock );
do {
if ( false === ( $buf = @socket_read( $msgsock , 2048 , PHP_NORMAL_READ))) {
$obj -> error( " socket_read() failed: reason: " . socket_strerror(socket_last_error( $msgsock )));
break ;
}
$nbuf .= $buf ;
if ( substr ( $nbuf , - 1 ) != " \n " ) {
continue ;
}
$nbuf = trim ( $nbuf );
if ( $nbuf == ' quit ' ) {
break ;
}
if ( $nbuf == ' shutdown ' ) {
break ;
}
$url = explode ( " \t " , $nbuf );
$nbuf = '' ;
$talkback = serialize (read_ntitle( $url ));
socket_write( $msgsock , $talkback , strlen ( $talkback ));
debug( " write to the client\n " );
break ;
} while ( true );
}
上面代码比较关键的一个部分是 read_ntitle,这个函数实现多线程的读取标题。
代码如下:(为每一个url fork 一个线程,然后打开管道 ,读取到的标题写入到管道里面去,主线程一直的在读取管道数据,直到所有的数据读取完毕,最后删除管道)
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![ExpandedBlockStart.gif](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
{
$pipe = new Pipe( " multi-read " );
foreach ( $arr as $k => $item )
{
$pids [ $k ] = pcntl_fork();
if ( ! $pids [ $k ])
{
$pipe -> open_write();
$pid = posix_getpid();
$content = base64_encode (read_title( $item ));
$pipe -> write( " $k , $content \n " );
$pipe -> close_write();
debug( " $k : write success!\n " );
exit ;
}
}
debug( " read begin!\n " );
$data = $pipe -> read_all();
debug( " read end!\n " );
$pipe -> rm_pipe();
return parse_data( $data );
}
{
$data = explode("\n", $data);
$new = array();
foreach ($data as $value)
{
$value = explode(",", $value);
if (count($value) == 2) {
$value[1] = base64_decode($value[1]);
$new[intval($value[0])] = $value[1];
}
}
ksort($new, SORT_NUMERIC);
return $new;
}
上面代码中,还有一个函数read_title 比较有技巧。为了兼容性,我没有采用curl,而是直接采用socket 通信。
在下载到 title 标签后,就停止读取内容,以节省时间。代码如下:
![](https://i-blog.csdnimg.cn/blog_migrate/8f900a89c6347c561fdf2122f13be562.gif)
![ExpandedBlockStart.gif](https://i-blog.csdnimg.cn/blog_migrate/961ddebeb323a10fe0623af514929fc1.gif)
{
$url_info = parse_url ( $url );
if ( ! isset ( $url_info [ ' host ' ]) || ! isset ( $url_info [ ' scheme ' ])) {
return false ;
}
$host = $url_info [ ' host ' ];
$port = isset ( $url_info [ ' port ' ]) ? $url_info [ ' port ' ] : null ;
$path = isset ( $url_info [ ' path ' ]) ? $url_info [ ' path ' ] : " / " ;
if ( isset ( $url_info [ ' query ' ])) $path .= " ? " . $url_info [ ' query ' ];
if ( empty ( $port )){
$port = 80 ;
}
if ( $url_info [ ' scheme ' ] == ' https ' ){
$port = 443 ;
}
if ( $url_info [ ' scheme ' ] == ' http ' ) {
$port = 80 ;
}
$out = " GET $path HTTP/1.1\r\n " ;
$out .= " Host: $host \r\n " ;
$out .= " User-Agent: Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9.1.7)\r\n " ;
$out .= " Connection: Close\r\n\r\n " ;
$fp = fsockopen ( $host , $port , $errno , $errstr , 5 );
if ( $fp == NULL ) {
error( " get title from $url , error. $errno : $errstr \n " );
return false ;
}
fwrite ( $fp , $out );
$content = '' ;
while ( ! feof ( $fp )) {
$content .= fgets ( $fp , 1024 );
if ( preg_match ( " /<title>(.*?)<\/title>/is " , $content , $matches )) {
fclose ( $fp );
return encode_to_utf8( $matches [ 1 ]);
}
}
fclose ( $fp );
return false ;
}
function encode_to_utf8( $string )
{
return mb_convert_encoding( $string , " UTF-8 " , mb_detect_encoding( $string , " UTF-8, GB2312, ISO-8859-1 " , true ));
}
这里,我只是检测了 三种最常见的编码。
其他的代码都很简单,这些代码都是测试用的,如果你要做这样一个服务器,一定要进行优化处理。特别是,要防止一次打开太多的进程,你要做更多的处理。
很多时候,我们抱怨php 不支持多进程,实际上,php是支持多进程的。当然,没有那么多的进程通信的选项,而多进程的核心就在于进程的通信与同步。
在web开发中,这样的多线程基本上是不会使用的,因为有很严重的性能问题。要实现比较简单的多进程,高负载,必须借助其扩展。