[php] 使用 CURL 同步抓取多個網頁

一般 CURL 抓網頁的方法, 是一頁一頁抓, 假設要抓 4頁, 所費時間各別是 5,10,7,5 秒, 那全部總合所花的時間就是 5 + 10 + 7 + 5 = 27 秒.

若能同時間去抓取多個網頁, 所花費的時間 5,10,7,5 秒, 全部總合所花的時間是 10 秒.(花費最多時間的秒數)

於 JavaScript 可使用 AJAX 的 async(YAHOO.util.Connect.asyncRequest) 來達成, 於 PHP 可以用 CURL 來達成此 Multi-Threading 的效果.

• 官方文件: PHP: curl_multi_init

程式(async.php)



<?php

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;

    }

    /* 執行 */

    /* 此種做法會造成 CPU loading 過重 (CPU 100%)

    do {

        curl_multi_exec($mh, $running);

        if ($wait_usec > 0) // 每個 connect 要間隔多久

            usleep($wait_usec); // 250000 = 0.25 sec

    } while ($running > 0);

    */

    /* 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);

        }

    }

    /* 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;

}

?>

使用



<?php

$urls = array(\'http://example1.com\', \'http://example2.com\');

print_r(async_get_url($urls)); // [0] => example1, [1] => example2

?>



測試

sleep.php # 看時間延長取得的效果



<?php

sleep(intval($_GET[\'time\']));

echo intval($_GET[\'time\']);

?>





<?php

$url_array = array(

        \'http://example.com/sleep.php?time=5\',

        \'http://example.com/sleep.php?time=10\',

        \'http://example.com/sleep.php?time=7\',

        \'http://example.com/sleep.php?time=5\',

        );

print_r(async_get_url($url_array));

// 總花費時間會是 10 秒, 並印出 [0] => 5, [1] => 10, [2] => 7, [3] => 5

?>