php exec 通过网页,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="/(.*?)/i";//获取视频链接

$reg2="/

]*)\s*class=\"imgdetail\"\s*src=('|\")([^'\"]+)('|\")/i";

$reg3="";

$reg4= "/

.*?/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);

//整合到一个数组

$subArray=array('image'=>$last,'video'=>$video_url,'title'=>$til);

array_push($resultArray, $subArray);

}

echo json_encode($resultArray);

重点在与async_get_url这个函数

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);

}

}

上面那段是重点也是难点。

第一个循环，$mrc == CURLM_CALL_MULTI_PERFORM(-1)表明了还有句柄资源没有处 理，于是就继续$mrc = curl_multi_exec($mh, $active)

要特别说明的是$mrc和$active都是integer类型的；

当$mrc== CURLM_OK(0)，就表明了还有资源，但还没有到达。

这是就到第二个循环了：

(while)要是有资源还没有到达

(if)如果cURL批处理连接中有活动连接--也就是说句柄有事干了(具体可以参考php手册)

(do-while)处理句柄资源

curl并发处理因为官方文档比较简练，我自己也查了好多英文文档才略懂。

希望大家能一起进步！

参考文档：

http://technosophos.com/content/php-and-curlmultiexec

http://blog.longwin.com.tw/2009/10/php-multi-thread-curl-2009/

本文原创发布php中文网，转载请注明出处，感谢您的尊重！