PHP高级编程之--单线程实现并行抓取网页

yp1234

　　钻研PHP很多年，想总结一下自己，但是不知从何说起，那就先谈一些我知道的PHP的用法，这些用法很多有多年的工作经验的人可能都不知道。
　　实际中可能用不到，但是用到了，就是体现你实力的时候。
　　现在问题是这样的，一个用户，用的是windows 的虚拟服务器，然后呢，当打开一个页面的时候，要并行的抓取大概10个网站的标题显示出来。
　　这样的用法很少见，但是，有需求，就得解决。
　　
　　串行是一个解决方案，但是要等待的时间过长。于是我想到用curl 去并行抓取。不知道的可以参考这篇文章

PHP多线程(四) 内部多线程
　　
　　但是，最后发现，那个虚拟服务器上没有curl，这真是让人纠结。于是，我决定改变思路，用单个线程也实现多个线程的效果。我想对网络编程有点
　　了解的人肯定知道IO复用这个概念，当然PHP上也是支持的，而且，内部支持，不需要任何扩展。
　　可能有很多年编程经验的人对PHP的stream 函数可能不太了解。PHP的压缩文件流，文件流，tcp 协议下的应用 都封装成一个stream。所以，读本地文件
　　和读网络文件没有任何的差别。说了这样多，我想大家都基本上明白了，直接贴上代码吧：
　　代码比较的粗糙，如果大家要实际用的话，还是要处理一些细节问题。
　　
　　


代码



<?php
function http_get_open($url)
{
    $url = parse_url($url);
    if (empty($url['host'])) {
        return false;
    }
    $host = $url['host'];
    if (empty($url['path'])) {
        $url['path'] = "/";
    }
    $get = $url['path'] . "?" . @$url['query'];
    $fp = stream_socket_client("tcp://{$host}:80", $errno, $errstr, 30);
    if (!$fp) {
        echo "$errstr ($errno)<br />\n";
        return false;
    } else {
        fwrite($fp, "GET {$get} HTTP/1.0\r\nHost: {$host}\r\nAccept: */*\r\n\r\n");
    }
    return $fp;
}
function http_multi_get($urls)
{
    $result = array();
    $fps = array();
    foreach ($urls as $key => $url)
    {
        $fp = http_get_open($url);
        if ($fp === false) {
            $result[$key] = false;
        } else {
            $result[$key] = '';
            $fps[$key] = $fp;
        }
    }
    while (1)
    {
        $reads = $fps;
        if (empty($reads)) {
            break;
        }
        if (($num = stream_select($reads, $w = null, $e = null, 30)) === false ) {
            echo "error";
            return false;
        } else if ($num > 0) {//can read
            foreach ($reads as $value)
            {
                $key = array_search($value, $fps);
                if (!feof($value)) {
                    $result[$key] .= fread($value, 128);
                } else {
                    unset($fps[$key]);
                }
            }
        } else {//time out
            echo "timeout";
            return false;
        }
    }
    foreach ($result as $key => &$value)
    {
        if ($value) {
            $value = explode("\r\n\r\n", $value, 2);
        }
    }
    return $result;
}
$urls = array();
$urls[] = "http://www.qq.com";
$urls[] = "http://www.sina.com.cn";
$urls[] = "http://www.sohu.com";
$urls[] = "http://www.360.cn";
//并行的抓取
$t1 = microtime(true);
$result = http_multi_get($urls);
$t1 = microtime(true) - $t1;
var_dump("cost: " . $t1);
//串行的抓取
$t1 = microtime(true);
foreach ($urls as $value)
{
    file_get_contents($value);
}
$t1 = microtime(true) - $t1;
var_dump("cost: " . $t1);
?>　　
　　
　　最后运行的结果：
　　
string 'cost: 3.2403128147125' (length=21)
string 'cost: 6.2333900928497' (length=21)

　　
　　
　　基本上是两倍的效率，当然，发现新浪非常的慢，要2.5s 左右，
　　基本上是被他给拖累了，360只要 0.2s
　　如果，所有网站都差不多的速度，并行的数目更大，那么差的倍数也就越大。