一个PHP实现的轻量级简单爬虫

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。

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。

相关协议:

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。

http://xiazai.jb51.net/201506/other/net_spider.rar

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

代码如下:

php -f spider.php 深度(数值) url

就可以开始工作。如

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]);

?>