怎么使用PHP實(shí)現(xiàn)輕量級(jí)簡單爬蟲

本篇內(nèi)容介紹了“怎么使用PHP實(shí)現(xiàn)輕量級(jí)簡單爬蟲”的有關(guān)知識(shí)，在實(shí)際案例的操作過程中，不少人都會(huì)遇到這樣的困境，接下來就讓小編帶領(lǐng)大家學(xué)習(xí)一下如何處理這些情況吧！希望大家仔細(xì)閱讀，能夠?qū)W有所成！

爬蟲的結(jié)構(gòu)： 爬蟲的原理其實(shí)很簡單，就是分析下載的頁面，找出其中的連接，然后再下載這些鏈接，再分析再下載，周而復(fù)始。在數(shù)據(jù)存儲(chǔ)方面，數(shù)據(jù)庫是首選，便于檢索，而 開發(fā)語言，只要支持正則表達(dá)式就可以了，數(shù)據(jù)庫我選擇了mysql，所以，開發(fā)腳本我選擇了php。它支持perl兼容正則表達(dá)式，連接mysql很方 便，支持http下載，而且windows系統(tǒng)和linux系統(tǒng)都可以部署。

正則表達(dá)式: 正則表達(dá)式是處理文字的基本工具，要取出html中的鏈接和圖片，使用的正則表達(dá)式如下。 代碼如下:

 "#<a[^>]+href=(['\"])(.+)\\1#isU"   處理鏈接
    "#<img[^>]+src=(['\"])(.+)\\1#isU" 處理圖片

其他問題: 寫爬蟲還需要注意的一個(gè)問題是，對于已經(jīng)下載過的url，不能重復(fù)進(jìn)行下載，而有些網(wǎng)頁的鏈接會(huì)形成環(huán)路，所以需要處理這個(gè)問題，我的處理方法是計(jì)算已經(jīng) 處理的url的MD5 值，并存入數(shù)據(jù)庫，這樣就可以檢驗(yàn)是否已經(jīng)下載過。當(dāng)然還有更好的算法，有興趣的話，可以在網(wǎng)上找一下。

相關(guān)協(xié)議: 爬蟲也有自己的協(xié)議，有個(gè)robots.txt文件定義了那些是網(wǎng)站允許遍歷的，但是由于我的時(shí)間有限，沒有實(shí)現(xiàn)這個(gè)功能。

其他說明: php支持類編程,我寫的爬蟲主要的類. 1.url處理web_site_info，主要用處理url，分析域名等。 2.數(shù)據(jù)庫操作mysql_insert.php,處理和數(shù)據(jù)庫相關(guān)的操作。 3.歷史記錄處理，記錄已經(jīng)處理的url。 4.爬蟲類。

存在的問題和不足

這個(gè)爬蟲在小數(shù)據(jù)量的情況下，運(yùn)行良好，但是在大數(shù)據(jù)量的情況下，歷史記錄處理類的效率就不是很高，通過在數(shù)據(jù)庫結(jié)構(gòu)中，對相關(guān)字段進(jìn)行了索引，速度有了 提高，但是需要不斷得讀取數(shù)據(jù)，可能和php本身的array實(shí)現(xiàn)有關(guān)系，如果一次加載10萬條歷史記錄，速度非常慢。 不支持多線程，每次只能處理一個(gè)url。 php運(yùn)行本身有內(nèi)存使用量限制 使用的時(shí)候，先在mysql中創(chuàng)建net_spider數(shù)據(jù)庫，然后用db.sql創(chuàng)建相關(guān)表。再在config.php中設(shè)置mysql 的用戶名口令。 最后 代碼如下:

php -f spider.php 深度(數(shù)值) url

就可以開始工作。如 代碼如下: php -f spider.php 20

現(xiàn)在感覺下來，其實(shí)做個(gè)爬蟲沒那么復(fù)雜，難的是數(shù)據(jù)的存儲(chǔ)和檢索。我現(xiàn)在的數(shù)據(jù)庫，最大一個(gè)數(shù)據(jù)表已經(jīng)15G，正在想辦處理這些數(shù)據(jù)，mysql進(jìn) 行查詢已經(jīng)感覺有點(diǎn)力不從心了。這點(diǎn)上還真佩服google

<?php
#加載頁面
function curl_get($url){
    $ch=curl_init();
    curl_setopt($ch,CURLOPT_URL,$url);
    curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1);
    curl_setopt($ch,CURLOPT_HEADER,1);
    $result=curl_exec($ch);
    $code=curl_getinfo($ch,CURLINFO_HTTP_CODE);
    if($code!='404' && $result){
     return $result;
    }
    curl_close($ch);
}
#獲取頁面url鏈接
function get_page_urls($spider_page_result,$base_url){
  $get_url_result=preg_match_all("/<[a|A].*?href=[\'\"]{0,1}([^>\'\"\]*).*?>/",$spider_page_result,$out);
  if($get_url_result){
    return $out[1];
  }else{
    return;
  }
}
#相對路徑轉(zhuǎn)絕對路徑
function xdtojd($base_url,$url_list){
 if(is_array($url_list)){
  foreach($url_list as $url_item){
    if(preg_match("/^(http:\/\/|https:\/\/|javascript:)/",$url_item)){
      $result_url_list[]=$url_item;
    }else {
     if(preg_match("/^\//",$url_item)){
      $real_url = $base_url.$url_item;
     }else{
      $real_url = $base_url."/".$url_item;
     }
     #$real_url = 'http://www.sumpay.cn/'.$url_item; 
     $result_url_list[] = $real_url; 
    }
  }
   return $result_url_list;
 }else{
   return;
 }
}
#刪除其他站點(diǎn)url
function other_site_url_del($jd_url_list,$url_base){
 if(is_array($jd_url_list)){
  foreach($jd_url_list as $all_url){
    echo $all_url;
    if(strpos($all_url,$url_base)===0){
     $all_url_list[]=$all_url;
    }  
  }
  return $all_url_list;
 }else{
  return;
 }
}
#刪除相同URL
function url_same_del($array_url){
   if(is_array($array_url)){
     $insert_url=array();
     $pizza=file_get_contents("/tmp/url.txt");
     if($pizza){
        $pizza=explode("\r\n",$pizza);
        foreach($array_url as $array_value_url){
         if(!in_array($array_value_url,$pizza)){
          $insert_url[]=$array_value_url; 
         }
        }
        if($insert_url){
           foreach($insert_url as $key => $insert_url_value){
             #這里只做了參數(shù)相同去重處理
             $update_insert_url=preg_replace('/=[^&]*/','=leesec',$insert_url_value);
             foreach($pizza as $pizza_value){
                $update_pizza_value=preg_replace('/=[^&]*/','=leesec',$pizza_value);
                if($update_insert_url==$update_pizza_value){
                   unset($insert_url[$key]);
                   continue;
                }
             }
           }
        }     
     }else{
        $insert_url=array();
        $insert_new_url=array();
        $insert_url=$array_url;
        foreach($insert_url as $insert_url_value){
         $update_insert_url=preg_replace('/=[^&]*/','=leesec',$insert_url_value);
         $insert_new_url[]=$update_insert_url;  
        }
        $insert_new_url=array_unique($insert_new_url);
        foreach($insert_new_url as $key => $insert_new_url_val){
          $insert_url_bf[]=$insert_url[$key];
        } 
        $insert_url=$insert_url_bf;
     }
     return $insert_url;
   }else{
    return; 
   }
}
  
$current_url=$argv[1];
$fp_puts = fopen("/tmp/url.txt","ab");//記錄url列表 
$fp_gets = fopen("/tmp/url.txt","r");//保存url列表 
$url_base_url=parse_url($current_url);
if($url_base_url['scheme']==""){
  $url_base="http://".$url_base_url['host'];
}else{
  $url_base=$url_base_url['scheme']."://".$url_base_url['host'];
}
do{
  $spider_page_result=curl_get($current_url);
  #var_dump($spider_page_result);
  $url_list=get_page_urls($spider_page_result,$url_base);
  #var_dump($url_list);
  if(!$url_list){
   continue;
  }
  $jd_url_list=xdtojd($url_base,$url_list);
  #var_dump($jd_url_list);
  $result_url_arr=other_site_url_del($jd_url_list,$url_base);
  var_dump($result_url_arr);
  $result_url_arr=url_same_del($result_url_arr); 
  #var_dump($result_url_arr); 
  if(is_array($result_url_arr)){ 
    $result_url_arr=array_unique($result_url_arr);
       foreach($result_url_arr as $new_url) { 
         fputs($fp_puts,$new_url."\r\n"); 
       }
  }
}while ($current_url = fgets($fp_gets,1024));//不斷獲得url 
preg_match_all("/<a[^>]+href=[\"']([^\"']+)[\"'][^>]+>/",$spider_page_result,$out);
# echo a href
#var_dump($out[1]);
?>

“怎么使用PHP實(shí)現(xiàn)輕量級(jí)簡單爬蟲”的內(nèi)容就介紹到這里了，感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識(shí)可以關(guān)注億速云網(wǎng)站，小編將為大家輸出更多高質(zhì)量的實(shí)用文章！