php curl_multi_exec()并发抓取网页内容
php是个单线程的语言，于是在某方面速率比不上java这种多线程的语言，毕竟主打方面不在这里..但是php也有自己的多线程（其实是并发）方法--curl_multi_exec().
我们可以用curll来获取网页的内容（不懂curl的可以找个简单的例子来看看），但是若是同时获取多个网页的内容，速度就不太理想，这个时候curl_multi_exec()就可以发挥作用了。
下面是我在抓取优酷网内容的例子：
function async_get_url($url_array, $wait_usec = 0)
{
if (!is_array($url_array))
return false;
$wait_usec = intval($wait_usec);
$data = array();
$handle = array();
$running = 0;
$mh = curl_multi_init(); // multi curl handler
$i = 0;
foreach($url_array as $url) {
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); // return don't print
curl_setopt($ch, CURLOPT_TIMEOUT, 30);
curl_setopt($ch, CURLOPT_USERAGENT, 'Mozilla/4.0 (compatible; MSIE 5.01; Windows NT 5.0)');
curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); // 302 redirect
curl_setopt($ch, CURLOPT_MAXREDIRS, 7);
curl_multi_add_handle($mh, $ch); // 把 curl resource 放進 multi curl handler 裡
$handle[$i++] = $ch;
}
/* 此做法就可以避免掉 CPU loading 100% 的問題 */
// 參考自: http://www.hengss.com/xueyuan/sort0362/php/info-36963.html
do {
$mrc = curl_multi_exec($mh, $active);
} while ($mrc == CURLM_CALL_MULTI_PERFORM);
while ($active and $mrc == CURLM_OK) {
if (curl_multi_select($mh) != -1) {
do {
$mrc = curl_multi_exec($mh, $active);
} while ($mrc == CURLM_CALL_MULTI_PERFORM);
}
}
/*
// 感謝 Ren 指點的作法. (需要在測試一下)
// curl_multi_exec的返回值是用來返回多線程處裡時的錯誤，正常來說返回值是0，也就是說只用$mrc捕捉返回值當成判斷式的迴圈只會運行一次，而真的發生錯誤時，有拿$mrc判斷的都會變死迴圈。
// 而curl_multi_select的功能是curl發送請求後，在有回應前會一直處於等待狀態，所以不需要把它導入空迴圈，它就像是會自己做判斷&自己決定等待時間的sleep()。
/* 讀取資料 */
foreach($handle as $i => $ch) {
$content = curl_multi_getcontent($ch);
$data[$i] = (curl_errno($ch) == 0) ? $content : false;
}
/* 移除 handle*/
foreach($handle as $ch) {
curl_multi_remove_handle($mh, $ch);
}
curl_multi_close($mh);
return $data;
}
$url="http://m.youku.com/wap/";
$reg1="/<a>(.*?)/i";//获取视频链接
$reg2="/<img alt="php curl_multi_exec()并发抓取网页内容" >]*)\s*class=\"imgdetail\"\s*src=('|\")([^'\"]+)('|\")/i";
$reg3="</a><a>";
$reg4= "/<p>.*?/i";//获取视频标题（备选）
// 创建两个cURL资源
$ch1 = curl_init();
$resultArray=array();//装载所有数据的数组
$ch=array();
//$ch2 = curl_init();
// 指定URL和适当的参数
curl_setopt($ch1, CURLOPT_URL,$url);
curl_setopt($ch1, CURLOPT_RETURNTRANSFER, 1);
curl_setopt($ch1, CURLOPT_HEADER, 0);
$content=curl_exec($ch1);
curl_close($ch1);
//$content=file_get_contents($url);
preg_match_all($reg1, $content,$matches);
$video=$matches[0];//首页视频的链接
//print_r($video);
foreach ($video as $a=>$key)
{
$position=strpos($key, "href");
$substring=substr($key, $position+11);
$pos=strpos($substring, ">");
$link=substr($substring, 0,$pos-1);
$nextUrl[$a]=$url.$link;
}
//$url_array = array(
// 'http://www.google.com',
// 'http://www.baidu.com',
//);
//print_r($nextUrl);
//print_r(async_get_url($nextUrl));
//并发获取所有网页的内容
$allData=async_get_url($nextUrl);
foreach ($allData as $page)
{
//获取视频图片
preg_match_all($reg2, $page,$img);
$img_arr=$img[0];
foreach ($img_arr as $arr)
{
$position=strpos($arr, "src");
$sub=substr($arr, $position+5);
$pos=strpos($sub, "\"");
$last=substr($sub, 0,$pos);
}
//获取视频高清点播地址
preg_match_all($reg3, $page,$vids);
$video_arr=$vids[0];
$vid=$video_arr[0];
$position=strpos($vid, "href");
$v_string=substr($vid, $position+11);
$pos=strpos($v_string, "\"");
$add=substr($v_string, 0,$pos);
$video_url=$url.$add;
//获取视频的标题
preg_match_all($reg4, $page,$match);
$title=$match[0];
//print_r($er);
$r=serialize($title);
$position=mb_strpos($r, "</p>");
$sub=substr($r, 0,$position);
$pos=mb_strrpos($sub, ">");
$til=substr($sub, $pos+1);
//整合到一个数组
$subArray=array('image'=>$last,'video'=>$video_url,'title'=>$til);
array_push($resultArray, $subArray);
}
echo json_encode($resultArray);</a>重点在与async_get_url这个函数
do {
$mrc = curl_multi_exec($mh, $active);
} while ($mrc == CURLM_CALL_MULTI_PERFORM);
while ($active and $mrc == CURLM_OK) {
if (curl_multi_select($mh) != -1) {
do {
$mrc = curl_multi_exec($mh, $active);
} while ($mrc == CURLM_CALL_MULTI_PERFORM);
}
}上面那段是重点也是难点。
第一个循环，$mrc == CURLM_CALL_MULTI_PERFORM（-1）表明了还有句柄资源没有处 理，于是就继续$mrc = curl_multi_exec($mh, $active)
要特别说明的是$mrc和$active都是integer类型的；
当$mrc== CURLM_OK（0），就表明了还有资源，但还没有到达。
这是就到第二个循环了：
（while）要是有资源还没有到达
(if)如果cURL批处理连接中有活动连接--也就是说句柄有事干了（具体可以参考php手册）
（do-while）处理句柄资源
curl并发处理因为官方文档比较简练，我自己也查了好多英文文档才略懂。
希望大家能一起进步！
参考文档：
http://technosophos.com/content/php-and-curlmultiexec
http://blog.longwin.com.tw/2009/10/php-multi-thread-curl-2009/
