php使用pthreads v3多线程的抓取新浪新闻信息

我们使用pthreads，来写一个多线程的抓取页面小程序，把结果存到数据库里。

数据表结构如下：

CREATE TABLE `tb_sina` (
  `id` int(11) unsigned NOT NULL AUTO_INCREMENT COMMENT 'ID',
  `url` varchar(256) DEFAULT '' COMMENT 'url地址',
  `title` varchar(128) DEFAULT '' COMMENT '标题',
  `time` datetime DEFAULT NULL ON UPDATE CURRENT_TIMESTAMP COMMENT '时间',
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='sina新闻';

代码如下：

<?php

class DB extends Worker
{
    private static $db;
    private $dsn;
    private $root;
    private $pwd;

    public function __construct($dsn, $root, $pwd)
    {
        $this->dsn = $dsn;
        $this->root = $root;
        $this->pwd = $pwd;
    }

    public function run()
    {
        //创建连接对象
        self::$db = new PDO($this->dsn, $this->root, $this->pwd);

        //把require放到worker线程中，不要放到主线程中，不然会报错找不到类
        require './vendor/autoload.php';
    }

    //返回一个连接资源
    public function getConn()
    {
        return self::$db;
    }
}

class Sina extends Thread
{
    private $name;
    private $url;

    public function __construct($name, $url)
    {
        $this->name = $name;
        $this->url = $url;
    }

    public function run()
    {
        $db = $this->worker->getConn();

        if (empty($db) || empty($this->url)) {
            return false;
        }

        $content = file_get_contents($this->url);
        if (!empty($content)) {
            //获取标题，地址，时间
            $data = QL\QueryList::Query($content, [
                'tit' => ['.c_tit > a', 'text'],
                'url' => ['.c_tit > a', 'href'],
                'time' => ['.c_time', 'text'],
            ], '', 'UTF-8', 'GB2312')->getData();

            //把获取的数据插入数据库
            if (!empty($data)) {
                $sql = 'INSERT INTO tb_sina(`url`, `title`, `time`) VALUES';
                foreach ($data as $row) {
                    //修改下时间，新浪的时间格式是这样的04-23 15:30
                    $time = date('Y') . '-' . $row['time'] . ':00';
                    $sql .= "('{$row['url']}', '{$row['tit']}', '{$time}'),";
                }
                $sql = rtrim($sql, ',');
                $ret = $db->exec($sql);

                if ($ret !== false) {
                    echo "线程{$this->name}成功插入{$ret}条数据\n";
                } else {
                    var_dump($db->errorInfo());
                }
            }
        }
    }
}

//抓取页面地址
$url = 'http://roll.news.sina.com.cn/s/channel.php?ch=01#col=89&spec=&type=&ch=01&k=&offset_page=0&offset_num=0&num=60&asc=&page=';
//创建pool池
$pool = new Pool(5, 'DB', ['mysql:dbname=test;host=192.168.33.226', 'root', '']);

//获取100个分页数据
for ($ix = 1; $ix <= 100; $ix++) {
    $pool->submit(new Sina($ix, $url . $ix));
}

//循环收集垃圾，阻塞主线程，等待子线程结束
while ($pool->collect()) ;
$pool->shutdown();

由于使用到了QueryList,大家可以通过composer进行安装。

composer require jaeger/querylist

不过安装的版本是3.2，在我的php7.2下会有问题，由于each()已经被废弃，所以修改下源码，each()全换成foreach()就好了。

运行结果如下：

数据也保存进了数据库

当然大家也可以再次通过url，拿到具体的页面内容，这里就不做演示了，有兴趣的可以自已去实现。