如何通过Linux Shell+Curl网站健康状态检查脚本抓出中国博客联盟失联站点？

如何通过Linux Shell+Curl网站健康状态检查脚本抓出中国博客联盟失联站点？

一开始搭建中国博客联盟，既有博友提醒我，做网址大全这类网站维护很麻烦，需要大量的精力去Debug一些已夭折的网站，更是拿松哥的博客大全举例。当然，我也是深以为然。前些时间，看到梦轩丽人的boke123网址大全的维护记录，好像是纯手工检查，张戈实在是佩服的五体投地，太有毅力了。

现在博客联盟也收录的博客也已破200了，全部来自自主提交，不管你是草博还是名博，张戈不会强买强卖。由于大部分都是建站不过半年的新站，半路放弃、提前太监的博客估计还是有的，于是我决定还是把站点维护这个工作做起来。

上午用PHP做了一个放到了京东云试了下，发现检测速度一般，要等上半天（我写的php太蹩脚，就不献丑了）。

随后，我在VPS上写了一个多线程的网站状态检测脚本，直接从数据库load站点地址，然后用curl去检测返回码，发现速度非常好，基本1分钟内就能出结果
以下是脚本代码：

#!/bin/bash
#Author:ZhangGe
#Date：2014-08-21
#Desc：Check the site of ZGboke Alliance.
#取出网站数据
data=`/usr/bin/mysql -uroot -p123456 -e "use zgboke;select web_url from dir_websites where web_status='3';" -N -B | awk '{print $1}'`
if [ -z "$data" ];then
  echo "Faild to connect database!"
  exit 1
fi
test -f result.log && rm -f result.log
function delay {
  sleep 3
}
tmp_fifofile=/tmp/$$.fifo
mkfifo $tmp_fifofile
exec 6<>$tmp_fifofile
rm $tmp_fifofile
#定义并发线程数，需根据vps配置进行调整。
thread=100
for ((i=0 ;i<$thread;i++ ))
do
  echo
done>&6
#开始多线程循环检测
for url in $data
do
  read -u6
  {
  #curl抓取网站http状态码
  code=`curl -o /dev/null --retry 3 --retry-max-time 8 -s -w %{http_code} $url`
  echo "$code ---> $url">>result.log
  #判断子线程是否执行成功，并输出结果
  delay && {
    echo "$code ---> $url"
  } || {
    echo "Check thread error!"
  }
  echo >& 6
}&
done
#等待所有线程执行完毕
wait
exec 6>&-
#找出非200返回码的站点
echo List of exception website:
cat result.log | grep -v 200
exit 0 

Ps：关于shell多线程脚本，后续文章会有一个详细说明，本文篇幅有限，就不多说了。
以下是中国博客联盟第一次成员站点存活检测的结果：
①、 非200返回码的异常站点：

②、脚本抓取的无法访问站点：

人工访问筛选结果：
wangyingxue.net（王英学博客）：无法访问，经确认处于备案中 √
www.tao0102.com（长江博客）：可以访问 √
blog.hack7d.com（Mcdull技术博客）：无法访问 ×
www.1992621.com（教师日记）：可以访问 √
www.3miaotu.com（三秒兔）：无法访问 ×
xiaoxiaomayi.com（小小蚂蚁博客）：可以访问 √
www.awrui.com（李文栋博客）：可以访问 √

Ps：脚本检测机制为：8s内未连通的判定为异常，并重试3次，最后输出结果，若三次均异常则为000。从图中和人工筛选可以看出，存在一些误杀，这个和8s的设定有一定关系。可以考虑设置为更长时间，得到更准确的结果，当然最终还是要结合人工确认的，所以也没多大关系。
后续，中国博客联盟会制订一个检查周期，最短每星期检查一次，最长一个月检查一次，争取让每个展示的站点都能正常访问。当然，我也会将每次检查的结果公布在中国博客联盟的站长资讯专栏，方便所有成员查看。
由于目前中国博客联盟部署在京东云擎，无法远程操控数据库，所以只好暂时用半自动的模式。等以后有时间搬到了阿里云等VPS上后，将会将脚本改成全自动状态，当有网站联系多次检测为失联状态时，将会暂时将其设置为隐藏状态。