通过PHP实现轻量级简单爬虫的方法

通过PHP实现轻量级简单爬虫的方法

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。

 

复制代码 代码如下:

"#<a[^>]+href=(['\"])(.+)\\1#isU" 处理链接
"#<img[^>]+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。

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。


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

 

复制代码 代码如下:

php -f spider.php 深度(数值) url

 

就可以开始工作。如

 

复制代码 代码如下:

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

<?php
#加载页面
function curl_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
function get_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 $out[1];
 }else{
  return;
 }
}
#相对路径转绝对路径
function xdtojd($base_url,$url_list){
 if(is_array($url_list)){
 foreach($url_list as $url_item){
  if(preg_match("/^(http:\/\/|https:\/\/|javascript:)/",$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 $result_url_list;
 }else{
  return;
 }
}
#删除其他站点url
function other_site_url_del($jd_url_list,$url_base){
 if(is_array($jd_url_list)){
 foreach($jd_url_list as $all_url){
  echo $all_url;
  if(strpos($all_url,$url_base)===0){
   $all_url_list[]=$all_url;
  } 
 }
 return $all_url_list;
 }else{
 return;
 }
}
#删除相同URL
function url_same_del($array_url){
  if(is_array($array_url)){
   $insert_url=array();
   $pizza=file_get_contents("/tmp/url.txt");
   if($pizza){
    $pizza=explode("\r\n",$pizza);
    foreach($array_url as $array_value_url){
     if(!in_array($array_value_url,$pizza)){
     $insert_url[]=$array_value_url; 
     }
    }
    if($insert_url){
      foreach($insert_url as $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($pizza as $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_url as $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_url as $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_arr as $new_url) { 
     fputs($fp_puts,$new_url."\r\n"); 
    }
 }
}while ($current_url = fgets($fp_gets,1024));//不断获得url 
preg_match_all("/<a[^>]+href=[\"']([^\"']+)[\"'][^>]+>/",$spider_page_result,$out);
# echo a href
#var_dump($out[1]);
?>