使用phpQuery进行采集数据，模拟curl提升访问速度

使用php采集网页数据一般有多种方法，有时候会使用正则去采集页面，但是当我们需要采集的页面大并且多的话，会严重的浪费我们的cpu，这时候我们可以使用phpQuer来进行采集，不知道phpQuery的童鞋可以去看看这是东西

以采集 http://www.rsq111.com/goods.php?id=15663 这个网站为例

假设我们需要采集商品的 分类 名称 价格 货号 上架时间 商品图片 详情图片

1.首先下载phpQuery类  phpQuery.php

2.接下里我们可以新建一个cj.php类

单页面采集

<?php

header("Content-Type: text/html; charset=UTF-8");
require("phpQuery.php"); //引入类

    //检测当前链接是否合法
    $url = 'http://www.rsq111.com/goods.php?id=15663';
    $header_info=getHeaders($url,true);
    if ($header_info != ) {
        die;
    }

    phpQuery::newDocumentFile($url); //获取网页对象内容
　　　//pq() == $(this)
    // 商品分类
    $arr_check = pq(".breadcrumb");
    foreach ($arr_check as $li) {
        $cat = pq($li)->text();
    }
    $category = explode('>', $cat);

    //商品标题
    $h1_check = pq("#name");
    $title = pq($h1_check)->text(); 

    //商品价格
    $price_check = pq(".rmbPrice");
    $shop_price = [];
    foreach ($price_check as $li) {
        $shop_price[] = pq($li)->text();
    }
    $shop_price = array_pop($shop_price);
    $shop_price = explode('：', $shop_price);
    $price = $shop_price[];

    //商品参数
    $prame_check = pq("#summary1 .dd");
    $prame = [];
    foreach ($prame_check as $li) {
        $prame[] = pq($li)->text();
    }

    $sn    = $prame[];//货号
    $brank = $prame[];//品牌
    $time  = $prame[];//上架时间

    // 商品图片
    $prame_photo_check = pq("#goods_gallery a");
    $photo = [];
    foreach ($prame_photo_check as $li) {
        $src = 'http://www.rsq111.com/'.pq($li)->attr('href');//图片路径
        //注释代码为保存图片路劲，下载图片到本地
        $localSrc = 'w/'.md5($src).'.jpg';
        // $stream = file_get_contents($src);
        // file_put_contents($localSrc,$stream);
        // pq($li)->attr('src',$localSrc);
        $photo[] =   $localSrc;
    }

    //商品详情图片
    $info_photo_check = pq(".detail-content img");
    $info_photo = [];
    foreach ($info_photo_check as $li) {
        $src = 'http://www.rsq111.com/'.pq($li)->attr('src');
        $localSrc = 'w/'.md5($src).'.jpg';
        // $stream = file_get_contents($src);
        // file_put_contents($localSrc,$stream);
        // pq($li)->attr('src',$localSrc);
        $info_photo[] =   $localSrc;
    }

    $data= [
        'title' => $title,
        'category1' => $category[],
        'category2' => $category[],
        'category3' => $category[],
        'price' => $price,
        'sn' => $sn,
        'brank' => $brank,
        'time' => $time,
        'photo' => $photo,
        'info_photo' =>$info_photo,
    ];
}
echo "<pre>";
print_r($data);

//检测url是否合法
function getHeaders($url,$data=FALSE){
     $_headers = get_headers($url,);
     if( !$data ){return $_headers;}
     $curl = curl_init();
     curl_setopt($curl,CURLOPT_URL,$url);//获取内容url
     curl_setopt($curl,CURLOPT_HEADER,);//获取http头信息
     curl_setopt($curl,CURLOPT_NOBODY,);//不返回html的body信息
     curl_setopt($curl,CURLOPT_RETURNTRANSFER,);//返回数据流，不直接输出
     curl_setopt($curl,CURLOPT_TIMEOUT,); //超时时长，单位秒
     curl_exec($curl);
     $rtn= curl_getinfo($curl,CURLINFO_HTTP_CODE);
     curl_close($curl);
     return $rtn;
}

这样的话就可以采集到这页面的数据了，但是如果我们需要采集的数据页面比较多，比如上万条数据的话，我们用这种方式速度会很慢

多页面采集

如果我们直接循环去获取页面的，这样每个页面都需要访问一次，并且抓取数据，耗时耗性能，这是我们可以有多种方案来优化提升速度

a.使用curl模拟多线程，将网页一次性全部抓取回来，保存到本地进行采集，避免了重复请求，造成的开销

b.使用swoole,创建多个线程，来进行采集，比如当我们去采集10个页面的时候，耗时10秒，这时候我们创建多个线程，同事去请求分配出去的url，则可以提升我们的速度

c.当然，如果我们对数据要求性低，我们可以借助第三方软件，比如八爪鱼，火车，这些工具，可以更加快速的采集到需要的数据

笔者在这里采用的是第一种方法，因为是windows环境，swoole的话，windows安装有点麻烦

我采用的是ajax轮询，每次10条，比如我们从商品id为1的数据开始采集

phpcj.php

<?php

//获取开始采集的id
$start_id = $_POST['start_id'];
$end_id = $start_id+; //每次加10条

if(empty($start_id) || empty($end_id)){
  exit(json_encode(['status'=>,'msg'=>'参数不正确']));
}
$pdo = new PDO('mysql:host=数据库地址;dbname=数据库名','用户','密码',array(PDO::ATTR_PERSISTENT));

header("Content-Type: text/html; charset=UTF-8");
require("phpQuery.php");

//将要采集的地址全部循环出来
for ($i=$start_id; $i < $end_id; $i++) {
    $urls[$i] = 'http://www.rsq111.com/goods.php?id='.$i;
}
//判断当前url是否合法，这里我判断的是第一条
$code = getHeaders(array_shift($urls),true);
if($code != ){
　　//如果不合法，返回结束id，重新开始执行
    exit(json_encode(['status'=>,'msg'=>'当前id无商品','end_id'=>$end_id]));
}
$save_to='test.txt';   // 把抓取的代码写入该文件
$st = fopen($save_to,'w+');   

$mh = curl_multi_init();
foreach ($urls as $i => $url) {
  $conn[$i] = curl_init($url);
  curl_setopt($conn[$i], CURLOPT_USERAGENT, "Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)");
  curl_setopt($conn[$i], CURLOPT_HEADER ,);
  curl_setopt($conn[$i], CURLOPT_CONNECTTIMEOUT,);
  curl_setopt($conn[$i],CURLOPT_RETURNTRANSFER,true);  // 设置不将爬取代码写到浏览器，而是转化为字符串
  curl_multi_add_handle ($mh,$conn[$i]);
}   

do {
  curl_multi_exec($mh,$active);
} while ($active);   

foreach ($urls as $i => $url) {
  file_put_contents($save_to, '');
  $data = curl_multi_getcontent($conn[$i]); // 获得爬取的代码字符串
  file_put_contents($save_to, $data); //将抓取到的野蛮写入到文件中
  $data = cj($i);
  if ($data) {
    $add[$i] = $data;
  }
}
foreach ($urls as $i => $url) {
  curl_multi_remove_handle($mh,$conn[$i]);
  curl_close($conn[$i]);
}   

curl_multi_close($mh);
fclose($st);  

//将采集成功的数据存入数据库
$sql = '';
if(!empty($add))
{
  foreach ($add as $key => $value) {
     $title = str_replace("'","",$value['title']);
     $category1 = $value['category1'];
     $category2 = $value['category2'];
     $category3 = $value['category3'];
     $price = $value['price'];
     $sn = $value['sn'];
     $brank = $value['brank'];
     $time = $value['time'];
     $photo = $value['photo'];
     $info_photo = $value['info_photo'];
     $cj_id = $end_id;

     $sql[] = "('$title','$category1','$category2','$category3','$price','$sn','$brank','$time','$photo','$info_photo','$cj_id')";

  }
    $sqls =implode(',', $sql);
    $add_sql = "INSERT into phpcj (title,category1,category2,category3,price,sn,brank,time,photo,info_photo,cj_id) VALUES ".$sqls;
    $res = $pdo->exec($add_sql);
    if(!$res) {
　　　　//采集未成功，返回id，重新开始采集
       exit(json_encode(['status'=>,'msg'=>'本次采集未成功..','start_id'=>$start_id]));
    }else{
　　　　//采集成功，将最后一条数据返回，用作下此次执行的开始id
       exit(json_encode(['status'=>,'msg'=>'采集成功,正在进行循环采集..','end_id'=>$end_id]));
    }
}

//采集方法
function cj($i)
{
  $url = 'http://www.***.com/test.txt'; //页面存取的文本路劲
  phpQuery::newDocumentFile($url);
  // 分类
  $arr_check = pq(".breadcrumb");
  foreach ($arr_check as $li) {
      $cat = pq($li)->text();
  }
  if(empty($cat)){
    return;
  }
  $category = explode('>', $cat);

  //标题
  $h1_check = pq("#name");
  $title = pq($h1_check)->text(); 

  //价格
  $price_check = pq(".rmbPrice");
  $shop_price = [];
  foreach ($price_check as $li) {
      $shop_price[] = pq($li)->text();
  }
  $shop_price = array_pop($shop_price);
  $shop_price = explode('：', $shop_price);
  $price = $shop_price[];

  //参数
  $prame_check = pq("#summary1 .dd");
  $prame = [];
  foreach ($prame_check as $li) {
      $prame[] = pq($li)->text();
  }

  $sn    = $prame[];//货号
  if(count($prame) > ){
     $brank = $prame[];//品牌
     $time  = $prame[];//上架时间
   }else{
     $brank = '无';
     $time = $prame[];//上架时间
   }

  // 商品图片
  $prame_photo_check = pq("#goods_gallery a");
  $photo = [];
  foreach ($prame_photo_check as $li) {
      $src = 'http://www.rsq111.com/'.pq($li)->attr('href');
      // $localSrc = 'w/'.md5($src).'.jpg';
      // $stream = file_get_contents($src);
      // file_put_contents($localSrc,$stream);
      // pq($li)->attr('src',$localSrc);
      // $photo[] =   $localSrc;
      $photo[] =   $src;
  }
  $photo =json_encode($photo);

  //商品详情图片
  $info_photo_check = pq(".detail-content img");
  $info_photo = [];
  foreach ($info_photo_check as $li) {
      $src = 'http://www.rsq111.com/'.pq($li)->attr('src');
      // $localSrc = 'w/'.md5($src).'.jpg';
      // $stream = file_get_contents($src);
      // file_put_contents($localSrc,$stream);
      // pq($li)->attr('src',$localSrc);
      // $info_photo[] =   $localSrc;
      $info_photo[] = $src;
  }
  $info_photo = json_encode($info_photo);
　//如果商品没有三级分类，给他赋值为空
  if(count($category) < ){
    $category[] = '';
  }
  $data = [
      'title' => $title,
      'category1' => $category[],
      'category2' => $category[],
      'category3' => $category[],
      'price' => $price,
      'sn' => $sn,
      'brank' => $brank,
      'time' => $time,
      'photo' => $photo,
      'info_photo' =>$info_photo,
      'cj_id' => $end_id,
  ];
  return $data;

}

//判断url是否合法
function getHeaders($url,$data=FALSE){
     $_headers = get_headers($url,);
     if( !$data ){return $_headers;}
     $curl = curl_init();
     curl_setopt($curl,CURLOPT_URL,$url);//获取内容url
     curl_setopt($curl,CURLOPT_HEADER,);//获取http头信息
     curl_setopt($curl,CURLOPT_NOBODY,);//不返回html的body信息
     curl_setopt($curl,CURLOPT_RETURNTRANSFER,);//返回数据流，不直接输出
     curl_setopt($curl,CURLOPT_TIMEOUT,); //超时时长，单位秒
     curl_exec($curl);
     $rtn= curl_getinfo($curl,CURLINFO_HTTP_CODE);
     curl_close($curl);
     return $rtn;
}

这样我们完成了对页面的循环采集

前台代码，使用ajax循环请求（如果,使用服务器定时任务的话，需要注意，对采集不成功的判断，这块我是手动重新填写id，因为采集的因素不可控，也许对方页面错误，对方的数据库出错，但是我们依旧可以正常访问到，所以需要对采集不成功，或者对某个id一直进行采集时，我们要加时效性判断。如果超过多长时间，默认为当前数据采集不成功，则开始下一轮的采集，可以是当前id+1，或者其他规则，总之跳过这个id就可以）

<!doctype html>
<html lang="en">
<head>
  <meta charset="UTF-8">
  <title>Document</title>
</head>
<body>
      <input type="text" name="start_id" id="start_id" placeholder="采集开始id">
      <!-- <input type="text" name="end_id" id="end_id" placeholder="采集结束id"> -->
      <input type="button" id="btn" value="开始采集">
      <h5 id="zhi"></h5>
      <input type="text" id="ids" placeholder="采集返回成功条数">
</body>
</html>
<script type="text/javascript" src="./jquery.min.js"></script>
<script>
$('#btn').click(function(){
   var startid = $('#start_id').val();
   cj(startid)
})

function cj(startid)
{
    var ids = $('#ids').val();
    if (ids) {
      startid = ids;
    }

    $('#zhi').html('采集中...');
    var urls = "http://wlkx.oeob.net/phpcj.php"
      $.ajax({
          type: "post",
          url: urls,
          dataType:'json',
          data: {"start_id":startid},
          success : function(res){
            console.log(res)
            $('#zhi').html('');
            if(res.status == ){
                $('#zhi').html(res.msg);
                $('#ids').val(res.start_id);
            }else{
                $('#zhi').html(res.msg);
                $('#ids').val(res.end_id);
                setTimeout(cj,*);
            }

          }

      });
}

</script>