光大 发表于 2013-4-14 03:37:23

分享我经常用的 php多线程源码 批量抓取内容的方法

<?php
class Http_MultiRequest
{
    //要并行抓取的url 列表
    private $urls = array();

    //curl 的选项
    private $options;
   
    //构造函数
    function __construct($options = array())
    {
      $this->setOptions($options);
    }

    //设置url 列表
    function setUrls($urls)
    {
      $this->urls = $urls;
      return $this;
    }


    //设置选项
    function setOptions($options)
    {
      $options = 1;
      if (isset($options['HTTP_POST']))
      {
            curl_setopt($ch, CURLOPT_POST, 1);
            curl_setopt($ch, CURLOPT_POSTFIELDS, $options['HTTP_POST']);
            unset($options['HTTP_POST']);
      }

      if (!isset($options))
      {
            $options = 'Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1;)';
      }

      if (!isset($options))
      {
            $options = 1;
      }

      if (!isset($options))
      {
            $options = 0;
      }
      $this->options = $options;
    }

    //并行抓取所有的内容
    function exec()
    {
      if(empty($this->urls) || !is_array($this->urls))
      {
            return false;
      }
      $curl = $data = array();
      $mh = curl_multi_init();
      foreach($this->urls as $k => $v)
      {
            $curl[$k] = $this->addHandle($mh, $v);
      }
      $this->execMulitHandle($mh);
      foreach($this->urls as $k => $v)
      {
            $data[$k] = curl_multi_getcontent($curl[$k]);
            curl_multi_remove_handle($mh, $curl[$k]);
      }
      curl_multi_close($mh);
      return $data;
    }
   
    //只抓取一个网页的内容。
    function execOne($url)
    {
      if (empty($url)) {
            return false;
      }
      $ch = curl_init($url);
      $this->setOneOption($ch);
      $content = curl_exec($ch);
      curl_close($ch);
      return $content;
    }
   
    //内部函数,设置某个handle 的选项
    private function setOneOption($ch)
    {
      curl_setopt_array($ch, $this->options);
    }

    //添加一个新的并行抓取 handle
    private function addHandle($mh, $url)
    {
      $ch = curl_init($url);
      $this->setOneOption($ch);
      curl_multi_add_handle($mh, $ch);
      return $ch;
    }

    //并行执行(这样的写法是一个常见的错误,我这里还是采用这样的写法,这个写法
    //下载一个小文件都可能导致cup占用100%, 并且,这个循环会运行10万次以上
    //这是一个典型的不懂原理产生的错误。这个错误在PHP官方的文档上都相当的常见。)
    private function execMulitHandle2($mh)
    {
      $running = null;
      do {
            curl_multi_exec($mh, $running);
      } while ($running > 0);
    }
    //应该用这样的写法
    private function execMulitHandle($mh){
      $i = 0;
      do {$mrc = curl_multi_exec($mh,$active); $i++;} while ($mrc == CURLM_CALL_MULTI_PERFORM);
      while ($active && $mrc == CURLM_OK){
      if (curl_multi_select($mh) != -1){
            do {$mrc = curl_multi_exec($mh, $active); $i++;} while ($mrc == CURLM_CALL_MULTI_PERFORM);
      }
      $i++;
      }
      //var_dump($i);
    }
}

/*下面是上面的类的一个测试的例子:*/

$urls = array("http://baidu.com", "http://baidu.com", "http://baidu.com", "http://baidu.com", "http://baidu.com", "http://baidu.com", "http://www.google.com", "http://www.sina.com.cn", );
$m = new Http_MultiRequest();

$t = microtime(true);
$m->setUrls($urls);

//parallel fetch(并行抓取):
$data = $m->exec();
$parallel_time = microtime(true) - $t;
echo $parallel_time . "\n";

$t = microtime(true);

//serial fetch(串行抓取):
foreach ($urls as $url)
{
    $data[] = $m->execOne($url);
}
$serial_time = microtime(true) - $t;
echo $serial_time . "\n";
?>

河小马 发表于 2013-4-14 04:00:21

多线程差不多都是用curl

luguo 发表于 2013-4-14 08:58:55

有个rollingurl是非block模式的

JasonLee 发表于 2013-4-14 09:55:38

河小马 发表于 2013-4-14 04:00 static/image/common/back.gif
多线程差不多都是用curl

因为最需要用到多线程的就是网络访问,等待响应有时候是个漫长的过程。。。

雷克傻死 发表于 2013-4-14 11:14:31

http://code.google.com/p/rolling-curl/source/checkout

rolling curl的源码地址,要svn checkout下来的

421031488 发表于 2013-4-14 13:00:38

不错哦,用来升级一下我的代码,之前自己写得很简单的

光大 发表于 2013-4-15 20:28:58

luguo 发表于 2013-4-14 08:58 static/image/common/back.gif
有个rollingurl是非block模式的

Rolling cURL 并发机制真的挺不错啊thanks luguo

luguo 发表于 2013-4-16 10:25:14

光大 发表于 2013-4-15 20:28 static/image/common/back.gif
Rolling cURL 并发机制真的挺不错啊thanks luguo

其实就多了一个callback呗 :lol

kk530 发表于 2013-4-23 12:38:35

学习下,,, 对这方面认识不够http://6.movie2046.com/img/images/smile7.gifhttp://6.movie2046.com/img/images/smile8.gifhttp://6.movie2046.com/img/images/smile9.gif
http://6.movie2046.com/img/images/smile10.gifhttp://6.movie2046.com/img/images/smile11.gifhttp://6.movie2046.com/img/images/smile12.gifhttp://6.movie2046.com/img/images/smile13.gifhttp://6.movie2046.com/img/images/smile14.gifhttp://6.movie2046.com/img/images/smile15.gifhttp://6.movie2046.com/img/images/smile16.gifhttp://6.movie2046.com/img/images/smile17.gifhttp://6.movie2046.com/img/images/smile18.gifhttp://6.movie2046.com/img/images/smile19.gifhttp://6.movie2046.com/img/images/smile20.gifhttp://6.movie2046.com/img/images/smile21.gifhttp://6.movie2046.com/img/images/smile22.gif

买醉 发表于 2013-9-4 13:46:17

增长了见识了呵呵呵

bjzhush 发表于 2013-9-18 17:44:49

还是不太习惯
以前没用过curl的multi
内容少点,确实可以用这个,东西多了我还是倾向于消息队列,更稳定些

zhj80 发表于 2013-9-22 18:01:32

php网络操作效率太差,换个别的语言实现吧

young 发表于 2013-11-21 17:03:55


学习了:P:P:P

yinliang 发表于 2015-10-12 15:57:10

pthreads 也非常不错
页: [1]
查看完整版本: 分享我经常用的 php多线程源码 批量抓取内容的方法