php多线程爬虫类

服务端 2018-06-06 18:32:14 阅读次数: 4
  1. 代码： 
    <?php
/**
* @desc：多线程爬虫类
* @author [Lee] <[<[email protected]>]>
* @property
* 1、calltrigger    触发爬虫程序的回调函数
* 2、calltodo       处理业务逻辑的回调函数 如：把抓取到的内容处理后存到数据库
* 3、timeout        超时时间，默认5秒
* 4、depth          重定向深度，默认3
* 5、name           上传文件的名字，默认file
* 6、cookie         模拟登录时cookie存储在本地的文件，默认cookie_n.txt
* @method
* 1、ssl            是否设置https           true:是  false:否
* 2、auth           启用验证                user:用户名    pass:密码
* 3、login          模拟登录，获取cookie
* 4、cookie         使用cookie登录
* 5、header         设置请求头              data:请求头数组
* 6、proxy          设置服务器代理          url:代理服务器url   port:代理服务器端口
* 7、agent          设置浏览器代理          browse:代理浏览器 默认:Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)
* 8、get            模拟get请求             data:传递的数据
* 9、post           模拟post请求            data:传递的数据
* 10、json          模拟json请求            data:传递的数据
* 11、upload        模拟表单上传            files:上传的文件   array|string
* 12、download      下载文件                dir:要下载的文件  格式：a/b
* 13、run           执行                    depth:深度
*/
class crawl{
public $calltrigger = 'trigger';  #  触发爬虫程序的回调函数
public $calltodo = 'todo';  #  处理业务逻辑的回调函数 
public $timeout = 5;  #  超时时间，默认5秒
public $depth = 3;  #  重定向深度，默认3
public $name = 'file';  #  上传文件的名字，默认file
public $cookie = 'cookie.txt';  #  模拟登录时cookie存储在本地的文件，默认cookie_n
private $schemes = array();
private $hosts = array();
private $paths = array();
private $querys = array();
private $options = array();
private $chs;
private $fps;
private $handle;
private $urls = array();
/*
 @desc：内部方法，获取页面中的超链接
 @param content 页面内容
 @return urls 获取到的超链接
 */
private function geturl($content){
    $preg = '/<[a|A].*?href=[\'\"]{0,1}([^>\'\"\ ]*).*?>/';
    $bool = preg_match_all($preg,$content,$res);
    $urls = array();
    if($bool){
        $urls = $res[1];
    }
    $urls = array_unique($urls);
    return $urls;
}
/*
 @desc：内部方法，修复不完整的url
 @param url 原始url
 @param url 修复好的url
 */
private function reviseurl($url){
    $info = parse_url($url);
    $scheme = $info["scheme"]?:'http';
    $user = $info["user"];
    $pass = $info["pass"];
    $host = $info["host"];
    $port = $info["port"];
    $path = $info["path"];
    $url = $scheme . '://';
    if ($user && $pass) {
        $url .= $user . ":" . $pass . "@";
    }
    $url .= $host;
    if ($port) {
        $url .= ":" . $port;
    } 
    $url .= $path;
    return $url;
}
/*
 @desc：内部方法，调用回调函数进行业务处理
 @param content 传入到回调函数的参数
 */
private function todo($content){
    $calltodo = $this->calltodo;
    call_user_func($calltodo,$content);
}
/*
 @desc：触发爬虫程序的回调函数
 @param urls 待处理的url数组
 @param depth 处理深度
 */
private function trigger($urls,$depth){
    $calltrigger = $this->calltrigger;
    call_user_func($calltrigger,$urls,$depth);
}
/*
 @desc：内部方法 设置get请求参数
 @param data 请求数据
 */
private function setget($data){
    $schemes = $this->schemes;
    $hosts = $this->hosts;
    $paths = $this->paths;
    $querys = $this->querys;
    foreach($this->chs as $k=>$v){
        $sep = ($querys[$k] || !empty($data))?"?":"";
        $qurl = $schemes[$k].'://'.$hosts[$k].$paths[$k].$sep.$querys[$k].$data;
        $this->options[$k][CURLOPT_URL] = $qurl;
    }
    return $this;
}
/*
 @desc：内部方法 设置post请求参数
 @param data 请求数据
 */
private function setpost($data){
    $schemes = $this->schemes;
    $hosts = $this->hosts;
    $paths = $this->paths;
    $querys = $this->querys;
    foreach($this->chs as $k=>$v){
        $sep = $query?"?":"";
        $qurl = $schemes[$k].'://'.$hosts[$k].$paths[$k].$sep.$querys[$k];
        $this->options[$k][CURLOPT_URL] = $qurl;
        $this->options[$k][CURLOPT_POST] = 1;
        $this->options[$k][CURLOPT_POSTFIELDS] = $data;
    }
    return $this;
}
/*
 @desc：内部方法 设置最终请求参数
 */
private function setopt(){
    $options = $this->options;
    foreach($options as $k=>$v){
        curl_setopt_array(
                $this->chs[$k],
                $v
            );
    }
    return $this;
}
/*
 @desc：构造方法 设置初始请求参数
 @param urls 请求地址数组
 */
public function __construct($urls){
    $this->urls = $urls;
    $this->handle = curl_multi_init();
    foreach($urls as $k=>$v){
        $info = parse_url($v);
        $this->schemes[$k] = $info['scheme']?:'http';
        $this->hosts[$k] = $info['host'];
        $this->paths[$k] = $info['path'];
        $this->querys[$k] = $info['query'];
        $this->chs[$k] = curl_init();
        $this->options[$k][CURLOPT_CONNECTTIMEOUT] = $this->timeout;
        $this->options[$k][CURLOPT_RETURNTRANSFER] = 1;
        $this->options[$k][CURLOPT_FOLLOWLOCATION] = 1;
        $this->options[$k][CURLINFO_HEADER_OUT] = true;
        $this->options[$k][CURLOPT_ENCODING] = 'gzip';
        $this->options[$k][CURLOPT_MAXREDIRS] = $this->depth;
        curl_multi_add_handle ($this->handle,$this->chs[$k]);
    }
}
/*
 @desc：是否设置https请求
 @param bool true:https请求 false:http请求
 */
public function ssl($bool = false){
    if($bool){
        foreach($this->chs as $k=>$v){
            $this->scheme[$k] = 'https';
            $this->options[$k][CURLOPT_SSL_VERIFYHOST] = 1;
            $this->options[$k][CURLOPT_SSL_VERIFYPEER] = false;
        }
    }
    return $this;
}
/*
 @desc：设置验证用户名、密码
 @param user 用户名
 @param pass 密码
 */
public function auth($user,$pass){
    foreach($this->chs as $k=>$v){
        $this->options[$k][CURLOPT_USERPWD] = $user.':'.$pass;
    }
    return $this;
}
/*
 @desc：模拟登录
 */
public function login(){
    $cookie = $this->cookie;
    $arr = explode('.',$cookie);
    $name = $arr[0];
    $ext = $arr[1];
    foreach($this->chs as $k=>$v){
        $this->options[$k][CURLOPT_COOKIEJAR] = $name.'_'.$k.'.'.$ext;
        $this->options[$k][CURLOPT_RETURNTRANSFER] = 0;
    }
    return $this;
}
/*
 @desc：带cookie登录
 */
public function cookie(){
    $cookie = $this->cookie;
    $arr = explode('.',$cookie);
    $name = $arr[0];
    $ext = $arr[1];
    foreach($this->chs as $k=>$v){
        $this->options[$k][CURLOPT_COOKIEFILE] = $name.'_'.$k.'.'.$ext;
    }
    return $this;
}
/*
 @desc：设置请求头信息
 @param data 请求头
 */
public function header($data){
    foreach($this->chs as $k=>$v){
        $this->options[$k][CURLOPT_HTTPHEADER] = $this->options[$k][CURLOPT_HTTPHEADER]?:array();
        $this->options[$k][CURLOPT_HTTPHEADER] = array_merge($this->options[$k][CURLOPT_HTTPHEADER],$data);
    }
    return $this;
}
/*
 @desc：设置代理服务器
 @param url 代理服务器url
 @param port 代理服务器端口
 */
public function proxy($url,$port){
    $info = parse_url($url);
    $scheme = $info['scheme']?:'http';
    $host = $info['host'];
    $path = $info['path'];
    $purl = $scheme.'://'.$host.$path.':'.$port;
    foreach($this->chs as $k=>$v){
        $this->options[$k][CURLOPT_PROXY] = $purl;
    }
    return $this;
}
/*
 @desc：设置代理浏览器
 @param browse 代理浏览器
 */
public function agent($browse = 'Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko)'){
    foreach($this->chs as $k=>$v){
        $this->options[$k][CURLOPT_USERAGENT] = $browse;
    }
    return $this;
}
/*
 @desc：模拟get请求
 @param data 请求数据
 */
public function get($data = array()){
    $data = http_build_query($data);
    $this->setget($data);
    return $this;
}
/*
 @desc：模拟post请求
 @param data 请求数据
 */
public function post($data = array()){
    $this->setpost($data);
    return $this;
}
/*
 @desc：模拟json请求
 @param data 请求数据
 */
public function json($data = array()){
    $data = json_encode($data);
    $header = array(
            'Content-Type: application/json',
            'Content-Length:' . strlen($data)
        );
    $this->header($header);
    $this->setpost($data);
    return $this;
}
/*
 @desc：模拟表单上传
 @param files 文件路径
 */
public function upload($files){
    $data = array();
    $name = $this->name;
    if(is_array($files)){
        foreach($files as $k=>$v){
            $data["{$name}[{$k}]"]=new CURLFile($v);
        }
    }else{
        $data["{$name}"]=new CURLFile($files);
    }
    $this->setpost($data);
    return $this;
}
/*
 @desc：下载文件
 @param dir 存储文件目录
 */
public function download($dir = ''){
    $paths = $this->paths;
    if($dir && !is_dir($dir)){
        mkdir($dir,0755,true);
    }
    foreach($this->paths as $k=>$v){
        $name = strrchr($v, '/');
        $dsep = $dir?'/':'';
        $this->fps[$k]=fopen('.'.$dsep.$dir.$name, 'w');
        $this->options[$k][CURLOPT_FILE] = $this->fps[$k];
    }
    $this->setget('');
    return $this;
}
/*
 @desc：执行方法
 @param depth 深度 默认2
 */
public function run($depth = 2){
    $this->setopt();
    $chs = $this->chs;
    $handle = $this->handle;
    $urls = $this->urls;
    if($depth > 0){
        $depth--;
        $active = null;
        $mrc = curl_multi_exec($handle, $active);
        while ($mrc == CURLM_CALL_MULTI_PERFORM) {
            $mrc = curl_multi_exec($handle, $active);
        }
        while ($active && $mrc == CURLM_OK) {
            if (curl_multi_select($handle) != -1) {  
                usleep(100);
            }
            $mrc = curl_multi_exec($handle, $active);
            while ($mrc == CURLM_CALL_MULTI_PERFORM) {
                $mrc = curl_multi_exec($handle, $active);
            }
        }
        foreach ($chs as $k => $v) {
            if (curl_error($chs[$k]) == "") {
                $content = curl_multi_getcontent($chs[$k]);
                $this->todo($content);
                $aurls = $this->geturl($content);
                $urls[$k] = $this->reviseurl($urls[$k]);
                if (is_array($aurls) && !empty($aurls)) {
                    foreach ($aurls as $k1=>$u) {
                        if (preg_match('/^http/', $u)) {
                            $returl[$k1] = $u;
                        } else {
                            $real = $urls[$k] . '/' . $u;
                            $returl[$k1] = $real;
                        }
                    }
                    $this->trigger($returl,$depth);
                }
            }
            curl_multi_remove_handle($handle, $chs[$k]);  
            curl_close($chs[$k]);
        }
        curl_multi_close($handle);
    }
}
}
  2. 测试： 
    function todo($content){
echo 'ok'.PHP_EOL;
}
$urls=array(
'www.baidu.com',  
'www.taobao.com'
);
function trigger($urls = array(),$depth = 2){
$crawl = new crawl($urls);
$crawl->get()->run($depth);
}
trigger($urls);
  3. 输出： 
    ok
ok
ok
ok
ok
ok
ok
ok
ok
ok
ok
ok
ok
ok

猜你喜欢

转载自blog.51cto.com/12173069/2125666
今日推荐
《美国对全球网络空间安全与发展的威胁和破坏》报告发布
火速冲上 GitHub 热榜 —— 开源编程语言、框架哪有这么可爱？
北京人形机器人创新中心发布全球首个纯电驱拟人奔跑的全尺寸人形机器人“天工”
LFOSSA 源来如此公开课 | 掌握云原生未来：CNCF 认证全面攻略与备考秘籍
周排行
让自己的头脑极度开放
CentOS 6.5(x64) 和Redhat6.5操作系误删libc
高可用注册中心
【日记】12.28/【题解】AtCoder AGC041
XML（5）_XML 约束_DTD
Java集合Map（四）
树梅派安装桌面环境教程
pipenv 的 使用和安装
小程序白屏问题和内存研究
C语言简单选择排序
每日归档
更多
2024-05-02(0)
2024-05-01(4)
2024-04-30(1)
2024-04-29(40)
2024-04-28(0)
2024-04-27(56)
2024-04-26(39)
2024-04-25(22)
2024-04-24(36)
2024-04-23(26)

代码天地 © 2018 codetd.com

境外服务器   最新电视剧2022