一聚教程网:一个值得你收藏的教程网站

热门教程

php怎么写爬虫?一个PHP实现的轻量级简单爬虫

时间:2022-06-24 15:03:40 编辑:袖梨 来源:一聚教程网

最近需要收集资料,在浏览器上用另存为的方式实在是很麻烦,而且不利于存储和检索。所以自己写了一个小爬虫,在网上爬东西,迄今为止,已经爬了近百 万张网页。现在正在想办法着手处理这些数据。

爬虫的结构:
   爬虫的原理其实很简单,就是分析下载的页面,找出其中的连接,然后再下载这些链接,再分析再下载,周而复始。在数据存储方面,数据库是首选,便于检索,而 开发语言,只要支持正则表达式就可以了,数据库我选择了mysql,所以,开发脚本我选择了php。它支持perl兼容正则表达式,连接mysql很方 便,支持http下载,而且windows系统和linux系统都可以部署。

正则表达式:
  正则表达式是处理文字的基本工具,要取出html中的链接和图片,使用的正则表达式如下。

   "#]+href=(['"])(.+)\1#isU"   处理链接
    "#]+src=(['"])(.+)\1#isU" 处理图片

其他问题:
  写爬虫还需要注意的一个问题是,对于已经下载过的url,不能重复进行下载,而有些网页的链接会形成环路,所以需要处理这个问题,我的处理方法是计算已经 处理的url的MD5 值,并存入数据库,这样就可以检验是否已经下载过。当然还有更好的算法,有兴趣的话,可以在网上找一下。

相关协议:
  爬虫也有自己的协议,有个robots.txt文件定义了那些是网站允许遍历的,但是由于我的时间有限,没有实现这个功能。

其他说明:
  php支持类编程,我写的爬虫主要的类.
  1.url处理web_site_info,主要用处理url,分析域名等。
  2.数据库操作mysql_insert.php,处理和数据库相关的操作。
  3.历史记录处理,记录已经处理的url。
  4.爬虫类。

存在的问题和不足

  这个爬虫在小数据量的情况下,运行良好,但是在大数据量的情况下,历史记录处理类的效率就不是很高,通过在数据库结构中,对相关字段进行了索引,速度有了 提高,但是需要不断得读取数据,可能和php本身的array实现有关系,如果一次加载10万条历史记录,速度非常慢。
  不支持多线程,每次只能处理一个url。
  php运行本身有内存使用量限制,有一次在抓取深度为20的页面的时候,内存用尽程序被杀。

下面的url是源码下载。

http://xiazai.jb51.net/201506/other/net_spider.rar
使用的时候,先在mysql中创建net_spider数据库,然后用db.sql创建相关表。再在config.php中设置mysql 的用户名口令。
最后

php -f spider.php 深度(数值) url 

就可以开始工作。如

php -f spider.php 20 http://news.sina.com.cn

现在感觉下来,其实做个爬虫没那么复杂,难的是数据的存储和检索。我现在的数据库,最大一个数据表已经15G,正在想办处理这些数据,mysql进 行查询已经感觉有点力不从心了。这点上还真佩服google

 代码如下 复制代码

#加载页面

functioncurl_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);

}

#获取页面url链接

functionget_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;

  }

}

#相对路径转绝对路径

functionxdtojd($base_url,$url_list){

 if(is_array($url_list)){

  foreach($url_listas$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;

 }

}

#删除其他站点url

functionother_site_url_del($jd_url_list,$url_base){

 if(is_array($jd_url_list)){

  foreach($jd_url_listas$all_url){

    echo$all_url;

    if(strpos($all_url,$url_base)===0){

     $all_url_list[]=$all_url;

    } 

  }

  return$all_url_list;

 }else{

  return;

 }

}

#删除相同URL

functionurl_same_del($array_url){

   if(is_array($array_url)){

     $insert_url=array();

     $pizza=file_get_contents("/tmp/url.txt");

     if($pizza){

        $pizza=explode("rn",$pizza);

        foreach($array_urlas$array_value_url){

         if(!in_array($array_value_url,$pizza)){

          $insert_url[]=$array_value_url;

         }

        }

        if($insert_url){

           foreach($insert_urlas$key=>$insert_url_value){

             #这里只做了参数相同去重处理

             $update_insert_url=preg_replace('/=[^&]*/','=leesec',$insert_url_value);

             foreach($pizzaas$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($insert_urlas$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($insert_new_urlas$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");//记录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($result_url_arras$new_url) {

         fputs($fp_puts,$new_url."rn");

       }

  }

}while($current_url=fgets($fp_gets,1024));//不断获得url

preg_match_all("/]+href=["']([^"']+)["'][^>]+>/",$spider_page_result,$out);

#echoa href

#var_dump($out[1]);

?>

热门栏目