PHP多线程批量采集下载美女图片的实现代码(续)

之前写过一篇《PHP批量采集下载美女图片》文中主要采用file_get_content做采集图片，今天发现采集了400张图片 居然需要70分钟以上，真是难以忍受

个人认为影响的原因：
匹配到的图片url并不是有效的url，文中只是简单的判断是否是相对路径，但是有些url是失效的
解决办法：就是新增判断是否是真实有效url的图片

复制代码 代码如下:

/**
*
*判断url是否有效
*@param $url string
*@return boole
*/
function relUrl($url){
if(substr($url,0,4)=='http'){
$array = get_headers($url,true);
if(count($array)>0 && is_array($array)){
if(preg_match('/200/', $array[0])){
unset($array);
return true;
}else{
unset($array);
return false;
}
}else{
unset($array);
return false;
}
}else{
return false;
}
}

主要使用get_headers函数，获取http请求信息，判断服务端反应状态（200）判断url是否真实有效。

再次测试采集图片
结果比以前还要糟糕，运行的更慢了。

测试的原因就是：
get_headers函数虽然可以判断url是否真实有效，但是假如遇到很慢的url资源，因为get-heades请求没有时间限制，导致这个线程被占用，后续的请求被阻塞
file_get_content函数和上面的原因一样，由于某些慢的url资源都长期占用，阻塞后面的进程被占用，长期阻塞，cpu占用也会增高
解决办法；
使用curl的多线程，另外curl可以设置请求时间，遇到很慢的url资源，可以果断的放弃，这样没有阻塞，另外有多线程请求，效率应该比较高，参考：《CURL的学习和应用[附多线程]》，我们再来测试一下；

核心代码：

复制代码 代码如下:

/**
* curl 多线程
*
* @param array $array 并行网址
* @param int $timeout 超时时间
* @return mix
*/
public function Curl_http($array,$timeout='15'){
$res = array();

$mh = curl_multi_init();//创建多个curl语柄

foreach($array as $k=>$url){
$conn[$k]=curl_init($url);//初始化

curl_setopt($conn[$k], CURLOPT_TIMEOUT, $timeout);//设置超时时间
curl_setopt($conn[$k], CURLOPT_USERAGENT, 'Mozilla/5.0 (compatible; MSIE 5.01; Windows NT 5.0)');
curl_setopt($conn[$k], CURLOPT_MAXREDIRS, 7);//HTTp定向级别 ，7最高
curl_setopt($conn[$k], CURLOPT_HEADER, false);//这里不要header，香港服务器，加块效率
curl_setopt($conn[$k], CURLOPT_FOLLOWLOCATION, 1); // 302 redirect
curl_setopt($conn[$k], CURLOPT_RETURNTRANSFER,1);//要求结果为字符串且输出到屏幕上
curl_setopt($conn[$k], CURLOPT_HTTPGET, true);

curl_multi_add_handle ($mh,$conn[$k]);
}
//防止死循环耗死cpu 这段是根据网上的写法
do {
$mrc = curl_multi_exec($mh,$active);//当无数据，active=true
} while ($mrc == CURLM_CALL_MULTI_PERFORM);//当正在接受数据时
while ($active and $mrc == CURLM_OK) {//当无数据时或请求暂停时，active=true
if (curl_multi_select($mh) != -1) {
do {
$mrc = curl_multi_exec($mh, $active);
} while ($mrc == CURLM_CALL_MULTI_PERFORM);
}
}

foreach ($array as $k => $url) {
if(!curl_errno($conn[$k])){
$data[$k]=curl_multi_getcontent($conn[$k]);//数据转换为array
$header[$k]=curl_getinfo($conn[$k]);//返回http头信息
curl_close($conn[$k]);//关闭语柄
curl_multi_remove_handle($mh , $conn[$k]); //释放资源
}else{
unset($k,$url);
}
}

curl_multi_close($mh);

return $data;

}

//参数接收
$callback = $_GET['callback'];
$hrefs = $_GET['hrefs'];
$urlarray = explode(',',trim($hrefs,','));
$date = date('Ymd',time());
//实例化
$img = new HttpImg();
$stime = $img->getMicrotime();//开始时间

$data = $img->Curl_http($urlarray,'20');//列表数据
mkdir('./img/'.$date,0777);
foreach ((array)$data as $k=>$v){
preg_match_all("/(href|src)=(["|']?)([^ "'>]+.(jpg|png|PNG|JPG|gif))\2/i", $v, $matches[$k]);

if(count($matches[$k][3])>0){
$dataimg = $img->Curl_http($matches[$k][3],'20');//全部图片数据二进制
$j = 0;
foreach ((array)$dataimg as $kk=>$vv){
if($vv !=''){
$rand = rand(1000,9999);
$basename = time()."_".$rand.".".jpg;//保存为jpg格式的文件
$fname = './img/'.$date."/"."$basename";
file_put_contents($fname, $vv);
$j++;
echo "创建第".$j."张图片"."$fname"."
";
}else{
unset($kk,$vv);
}
}
}else{
unset($matches);
}
}
$etime = $img->getMicrotime();//结束时间
echo "用时".($etime-$stime)."秒";
exit;

测试一下效果

337张图片用时260秒左右，基本上可以做到一秒内就可以采集一张的效果，网站空间，而且发现图片越到优势采集速度越明显。

我们可以看一下文件命名：也就可以做到同一时刻可以生成10张图片，

由于采用了20秒请求的时间限制，美国服务器，有些图片生成后有明显不全，也就是图片资源在20秒内未能完全采集，这个时间大家可以自行设置。