php+R语言分析网站响应时间

liyeho

要做一个网络爬虫，抓取网页上的特定内容。以前有高年级研究生学长写过一个，但是老师嫌弃时间太久，上千个数据而已，竟然要用一夜，这次要我来做，我想先进行一下可行性的研究，要用到R语言进行统计。

    这次试验的难点有两个，或者说实际上就只有一个，那就是数据的规范化表示。以前没用过php进行文件读写操作，这是头一次。需要考虑的是文件读写的频率，虽然只是一个实验，但是效率还是要考虑的。过于频繁的文件读写，对磁盘过于耗时的操作，是个大问题。所以这个要考虑。其实是数据的格式问题，以什么样的格式存储。要考虑后续R语言处理的问题，R语言可以处理纯文本，数据之间可以使用分隔符，比喻逗号、甚至是制表符。所以文件里面的数据打算用逗号分隔了。

     首先贴上PHP代码
<?php
include ("php_lib/LIB_http.php");
error_reporting(E_ALL^E_NOTICE);
$target   ="http://www.*****";
$ref = "http://www.*****";
$filename = 'sitevisitors.txt';


$first=microtime(get_as_float);
for($n=0;$n<5000;$n++){
    $betime=microtime(get_as_float);
    $return_arry = http_get_withheader($target,$ref);
    $finidown = microtime(get_as_float);
    $resulttime = $finidown - $betime;
    $count[$n] = $resulttime;
    //echo $count[$n]."\n";
    echo"\n".$n;
}
$fp = fopen("data.txt", "a");
//fputs ($fp, "$count[0]");
for($n=0;$n<5000;$n++){
    fputs($fp, "\r\n".$count[$n]);
}
$last=microtime(get_as_float);
$result=$last-$first;
fclose ($fp);
echo"\nend this test";
echo"\n the time is:".$result;
?>

    由于这个网站不便公布，所以上连接地址和主机地址用*号代替，还请谅解。程序会先设计一个5000个元素的数组，然后发5000次http请求，记录下每次的时间。http报文中好像会有这个时间，但自己记不真切了，所以用的是microtime（）函数，注意要加上get_as_float才可以做减法，而且加上include ("php_lib/LIB_http.php");屏蔽掉所有的php notice.
   
    所有的数据全都写进data.txt文件，要注意的是，文件数据格式应该是矩阵，就算只有一个数据源，即只有一列，也要每个数据独占一行，不能连着写，比如不能1,2,3,4……，而应该是：
1
2
3
4
……
   
    之所以这么做是因为R语言的缘故，R语言是对矩阵进行读写，所以这么写最方便（也有可能有更好的办法，只是我不知道而已）。

    得到时间后，打开R语言环境，接着做统计：
    ①读取数据：
data<-read.table("data.txt",header=FALSE,sep=",",col.names=c('num'))
    ②求平均值：
mean(data[,1])
注意不能是 mean(data)，否则会出现如下警告：
[1] NA
警告信息：
In mean.default(data) : 参数不是数值也不是逻辑值：回覆NA
data[,1]表示矩阵data的第一列（其实这里也就仅有一列，但也要这么写）。
    ③想画出散点图，但是坐标精度太小，分辨不出，这还要继续研究：
c<-data[,1]
mydata<-rbind(c,c)
mydata<-as.data.frame(mydata)
namse(mydata)<-c("x","y")
with(mydata,plot(x,y,pch=19,main="the result"))

图倒是画出来了，但是坐标精度只到小数点后2位，如何提高坐标精度，目前正在研究，options（digits）是不行了。接着想吧。