php curl_multi系列函数实现多线程抓取网页

最近几天在做一个多搜索引擎关键字排名查询工具，用于及时方便的了解关键词在各大搜索引擎的排名。

在抓取360搜索的时候，发现360搜索每页只支持显示10个搜索结果，如果想获取100个搜索结果数据，就得搜索10次，十分影响用户体验，没有人会为了查询一次关键字排名而愿意等待打开10次的网页时间。

这时我想到了用多线程做并发抓取，正好php curl的curl_multi系列函数能实现此功能。

一、curl_multi系列的函数介绍：
1. curl_multi_init:
用来初始化一个"curl_multi"句柄，然后将多个"curl_init"函数生成的"curl"句柄传递给"curl_multi"句柄；此函数不需要然后参数。

2. curl_multi_add_handle:
"curl_multi_add_handle"函数用来将"curl_init"生成的"curl"句柄添加到上面"curl_multi_init"函数生成的"curl_multi"句柄。"curl_multi_add_handle"函数的第一个参数为"curl_multi"句柄，第二个参数为"curl"句柄。

3. curl_multi_exec:
"curl_multi_exec"用于发起curl_multi请求。"curl_multi_add_handle"函数的第一个参数为"curl_multi"句柄，第二个参数是一个"引用参数"，它记录未处理完成的请求数，当第二个参数值变为0时，代表所有的请求都已经处理完成(所有请求成功返回或者到达超时时间)。

4. curl_multi_info_read：
"curl_multi_info_read"函数用来读取curl_multi句柄是否有curl返回信息，如果有则返回最先的"curl返回值(数组形式)"，否则返回"false",循环调用此函数，直到其返回"false"；"curl_multi_info_read"的参数为"curl_mulit"句柄。

5. curl_multi_getcontent：
当所有curl句柄处理完成，这时我们就可以使用"curl_multi_getcontent"函数读取"curl"的返回内容了。"curl_multi_getcontent"的参数为"curl"句柄。

6. curl_multi_remove_handle：
读取完内容后，使用"curl_multi_remove_handle"函数从"curl_mulit"句柄中移出所有"curl"句柄。"curl_multi_remove_handle"函数的第一个参数为"curl_multi"句柄，第二个参数为"curl"句柄。

7. curl_multi_close：
"curl_multi_close"函数用于关闭"curl_mulit"句柄，释放占用的资源。"curl_multi_close"的参数为"curl_mulit"句柄。

二、curl_multi使用流程：
1、 "curl_multi_init"初始化"curl_multi"句柄；
2、 循环创建并添加"curl"句柄，并用"curl_multi_add_handle"函数将其添加到"curl_multi"句柄；
3、 使用"curl_multi_exec"发起请求，并等待所有请求处理完成；
4、 使用"curl_multi_info_read"函数读取返回值；
5、 使用"curl_multi_getcontent"函数读取返回内容；
6、 使用"curl_multi_remove_handle"函数移除curl句柄；
7、 使用"curl_multi_close"关闭curl_multi句柄。

三、下面是我使用curl_multi多线程并发抓取360搜索返回结果的代码片段：

1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40 41 42 43 44 45 46 47 48 49 50 51 52 53 54 55 56

#多线程并发抓取函数mfetch： function mfetch($params=array(), $method){ $mh = curl_multi_init(); #初始化一个curl_multi句柄 $handles = array(); foreach($params as $key=>$param){ $ch = curl_init(); #初始化一个curl句柄 $url = $param["url"]; $data = $param["params"]; if(strtolower($method)==="get"){ #根据method参数判断是post还是get方式提交数据 $url = "$url?" . http_build_query( $data ); #get方式 }else{ curl_setopt( $ch, CURLOPT_POSTFIELDS, $data ); #post方式 } curl_setopt($ch, CURLOPT_URL, $url); curl_setopt($ch, CURLOPT_RETURNTRANSFER, 1); curl_setopt($ch, CURLOPT_HEADER, 0); curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, 30); curl_setopt($ch, CURLOPT_TIMEOUT, 30); curl_setopt($ch, CURLOPT_FOLLOWLOCATION, 1); curl_setopt($ch, CURLOPT_USERAGENT, $_SERVER["HTTP_USER_AGENT"]); curl_multi_add_handle($mh, $ch); $handles[$ch] = $key; #handles数组用来记录curl句柄对应的key,供后面使用，以保证返回的数据不乱序。 } $running = null; $curls = array(); #curl数组用来记录各个curl句柄的返回值 do { #发起curl请求，并循环等等1/100秒，直到引用参数"$running"为0 usleep(10000); curl_multi_exec($mh, $running); while( ( $ret = curl_multi_info_read( $mh ) ) !== false ){ #循环读取curl返回，并根据其句柄对应的key一起记录到$curls数组中,保证返回的数据不乱序 $curls[$handles[$ret["handle"]]] = $ret; } } while ( $running > 0 ); foreach($curls as $key=>&$val){ $val["content"] = curl_multi_getcontent($val["handle"]); curl_multi_remove_handle($mh, $val["handle"]); #移除curl句柄 } curl_multi_close($mh); #关闭curl_multi句柄 ksort($curls); return $curls; } #调用参数： $keword = "360"; $page = 1; $params = array(); for($i=0;$i<10;$i++){ $params[$i] = array( "url"=>"http://www.so.com/s", "params"=>array('q'=>$keyword,'ie'=>"utf-8",'pn'=>($page-1)*10+$i+1) ); } $ret = mfetch($params, 'GET'); print_r($ret);

常见错误：
1、调用curl_multi系列函数时出现如下错误：

1	Fatal error: Call to undefined function curl_multi_init() in 文件.php on line 行号

解答：1、需要php5版本才支持curl_multi系列函数；2.需要开启php curl扩展，windows: 在php.ini中把";extension=php_curl.dll"前面的分号去掉; linux:确认/etc/php.ini或者"/etc/php.d/curl.ini"中有类似"extension=curl.so"的行，并重启apache;

2、调用curl系列函数时出现如下错误：

1	Call to undefined function curl_init() in 文件.php on line 行号

解答：同上。

3、用curl抓取网页时，发现网页的中文是乱码：

解答:这是由于被抓取的网页编码与您的网页编码不一致引起的，设置"curl_setopt($ch, CURLOPT_HEADER, 1);"可以返回http头，然后从中查看到类似"Content-Type: text/html; charset=gb2312"的行，从中可以看出其编码为"gb2312"在使用$html = iconv("gb2312", "utf-8//ignore", $html); 将编码转为一致即可。