演示代码
运行效果(图1)
运行效果(图2)
主要封装函数
multi_process();
根据参数，创建指点数目的子进程。
亮点功能1：子进程各种异常退出，比如segment fault, Allowed memory size exhausted等，中断一个子进程后，父进程会重新fork一个新进程顶上去，保持子进程数量。如果子进程里完成任务（比如判断tid达到10000），可以在子进程里exit(9)，父进程会收到这个退出状态(9)，然后等待所有子进程退出，最后退出自身进程。
亮点功能2：与curl封装函数一起实现了一统计功能，在程序关闭后会显示出一些主要的统计信息(图2的底部)。
mp_counter();
在父进程以及所有子进程之间通信，负责协调分配各子进程的任务，使用了锁机制。可以设置’init’参数重置计数，可以设置每次更新计数的值。
curl_get();
对curl相关函数的封装，加入了大量的错误机制，支持POST,GET,Cookie,Proxy,下载。
mp_msg();
实现规范之一就是，每条任务处理完，只输出一行信息。
亮点功能：这个函数会判断终端的高度和宽度，实现每一屏内容会显示一条统计信息(图1的紫色行)，便于观察程序的执行情况，控制每一行输出的长度，保持一条信息不会超过一行。
rand_exit();
众所周知，PHP存在内在泄露的问题，所以每一个子进程里执行一定次数的任务后就退出，由multi_process()负责自动建立新的子进程(如图1中的绿色行)。
程序效率
本次测试使用的是Vultr的最低配置机器，1 CPU(3.6GHz)，768MB RAM，美国LA机房（一定程度上影响了抓取速度）。
执行了十多分钟后，统计信息如下：
运行期间内存占用统计(while true; do psmem | grep php;sleep 10; done)如下：
vmstat 1命令结果如下
iftop带宽监控如下：
50个子进程，执行11分55秒，抓取50951次，按这个速度计算，一天可以抓取615万次。
所有进程（1父进程+50子进程）共占用内存约60MB，占用CPU约20%(1核心)，带宽占用约7-8Mbps。 按上面的性能参数来看，本机再开5倍的子进程数量是可以承受的，但是目标机器承受不了这么大的压力。
不同进程数量的抓取速度对比：
1个进程
100个进程
多进程的封装几乎完美，但curl由于它的功能太过于丰富和强大，可能永远也无法达到完美
代码如下
curl.lib.php
代码如下
// 命令行颜色输出
$colors["red"] = "\33[31m";
$colors["green"] = "\33[32m";
$colors["yellow"] = "\33[33m";
$colors["end"] = "\33[0m";
$colors["reverse"] = "\33[7m";
$colors["purple"] = "\33[35m";
/*
默认参数设置
*/
$curl_default_config["ua"] = "Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)";
$curl_default_config["referer"] = "";
$curl_default_config["retry"] = 5;
$curl_default_config["conntimeout"] = 30;
$curl_default_config["fetchtimeout"] = 30;
$curl_default_config["downtimeout"] = 60;
/*
针对指定域名设置referer(通常是用于下载图片)，优先于$curl_default_config
默认使用空referer，一般不会有问题
eg: $referer_config = array(
"img_domain"=>"web_domain",
"e.hiphotos.baidu.com"=>"http://hi.baidu.com/");
*/
$referer_config = array("img1.51cto.com"=>"blog.51cto.com",
"360doc.com"=>"www.360doc.com");
/*
针对指定域名设置User-agent，优先于$curl_default_config
默认使用百度蜘蛛的UA，拒绝百度UA的网站极少
eg: $useragent_config = array(
"web_domain"=>"user agent",
"www.xxx.com"=>"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0)");
*/
$useragent_config = array("hiphotos.baidu.com"=>"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0)";
/*
* 如果机器有多个IP地址，可以改变默认的出口IP，每次调用会在数组中随机选择一个。考虑到可能会有需要排除的IP，所以这里不自动配置为所有的IP。
* eg: $curl_ip_config = array("11.11.11.11", "22.22.22.22");
*/
$local_ip_config = array();
// cookie和临时文件目录
if((@file_exists("/dev/shm/") && @is_writable("/dev/shm/"))){
$cookie_dir = $tmpfile_dir = "/dev/shm/";
}else{
$cookie_dir = $tmpfile_dir = "/tmp/";
}
// 清除过期的cookie文件和下载临时文件
if(php_sapi_name() == "cli"){
clear_curl_file();
}
/**
* GET方式抓取网页
*
* @param string $url 网页URL地址
* @param string $encode 返回的页面编码，默认为GBK，设置为空值则不转换
* @return string 网页HTML内容
*/
function curl_get($url, $encode="gbk"){
return curl_func($url, "GET", null, null, null, $encode);
}
/**
* POST方式请求网页
*
* @param string $url 请求的URL地址
* @param array $data 发送的POST数据
* @param string $encode 返回的页面编码，默认为GBK，设置为空值则不转换
* @return bool
*/
function curl_post($url, $data, $encode="gbk"){
return curl_func($url, "POST", $data, null, null, $encode);
}
/**
* 获取页面的HEADER信息
*
* HTTP状态码并不是以“名称:值”的形式返回，这里以http_code作为它的名称，其他的值都有固定的名称，并且转成小写
*
* @param string $url URL地址
* @return array 返回HEADER数组
*/
function curl_header($url, $follow=true){
$header_text = curl_func($url, "HEADER");
if(!$header_text){
// 获取HTTP头失败
return FALSE;
}
$header_array =explode("\r\n\r\n", trim($header_text));
if($follow){
$last_header = array_pop($header_array);
}else{
$last_header = array_shift($header_array);
}
$lines = explode("\n", trim($last_header));
// 处理状态码
$status_line = trim(array_shift($lines));
preg_match("/(\d\d\d)/", $status_line, $preg);
if(!empty($preg[1])){
$header["http_code"] = $preg[1];
}else{
$header["http_code"] = 0;
}
foreach ($lines as $line) {
list($key, $val) = explode(":", $line, 2);
$key = str_replace("-", "_", strtolower(trim($key)));
$header[$key] = trim($val);
}
return $header;
}
/**
* 下载文件
*
* @param $url 文件地址
* @param $path 保存到的本地路径
* @return bool 下载是否成功
*/
function curl_down($url, $path, $data=null, $proxy=null){
if(empty($data)){
$method = "GET";
}else{
$method = "POST";
}
return curl_func($url, $method, $data, $path, $proxy);
}
/**
* 使用代理发起GET请求
*
* @param string $url 请求的URL地址
* @param string $proxy 代理地址
* @param string $encode 返回编码
*
* @return string 网页内容
*/
function curl_get_by_proxy($url, $proxy, $encode="gbk"){
return curl_func($url, "GET", null, null, $proxy, $encode);
}
/**
* 使用代理发起POST请求
*
* @param string $url 请求的URL地址
* @param string $proxy 代理地址
* @param string $encode 返回编码
*
* @return string 网页内容
*/
function curl_post_by_proxy($url, $data, $proxy, $encode="gbk"){
return curl_func($url, "POST", $data, null, $proxy, $encode);
}
/**
* @param string $url 请求的URL地址
* @param string $encode 返回编码
*
* @return string 网页内容
*/
function img_down($url, $path_pre){
$img_tmp = "/tmp/curl_imgtmp_pid_".getmypid();
$res = curl_down($url, $img_tmp);
if(empty($res)){
return $res;
}
$ext = get_img_ext($img_tmp);
if(empty($ext)){
return NULL;
}
$path = "{$path_pre}.{$ext}";
@mkdir(dirname($path), 0777, TRUE);
// 转移临时的文件路径
rename($img_tmp, $path);
return $path;
}
function get_img_ext($path){
$types = array(
1 => "gif",
2 => "jpg",
3 => "png",
6 => "bmp"
);
$info = @getimagesize($path);
if(isset($types[$info[2]])){
$ext = $info["type"] = $types[$info[2]];
$ext == "jpeg" && $ext = "jpg";
} else{
$ext = FALSE;
}
return $ext;
}
/**
* 获取文件类型
*
* @param string $filepath 文件路径
* @return array 返回数组，格式为array($type, $ext)
*/
function get_file_type($filepath){
}
/**
* 返回文件的大小，用于下载文件后判断与本地文件大小是否相同
* curl_getinfo()方式获得的size_download并不一定是文件的真实大小
*
* @param string $url URL地址
* @return string 网络文件的大小
*/
function get_file_size($url){
$header = curl_header($url);
if(!empty($header["content_length"])){
return $header["content_length"];
}else{
return FALSE;
}
}
/**
* 获取状态码
*
* @param string $url URL地址
* @return string 状态码
*/
function get_http_code($url, $follow=true){
$header = curl_header($url, $follow);
if(!empty($header["http_code"])){
return $header["http_code"];
}else{
return FALSE;
}
}
/**
* 获取URL文件后缀
*
* @param string $url URL地址
* @return array 文件类型的后缀
*/
function curl_get_ext($url){
$header = curl_header($url);
if(!empty($header["content_type"])){
@list($type, $ext) = @explode("/", $header["content_type"]);
if(!empty($type) && !empty($ext)){
return array($type, $ext);
}else{
return array("", "");
}
}else{
return array("", "");
}
}
/**
* 封装curl操作
*
* @param string $url 请求的URL地址
* @param string $method 请求的方法(POST, GET, HEADER, DOWN)
* @param mix $arg POST方式为POST数据，DOWN方式时为下载保存的路径
* @param string $return_encode 网页返回的编码
* @param string $proxy 代理
* @return mix 返回内容。4xx序列错误和空白页面会返回NULL，curl抓取错误返回False。结果正常则返回页面内容。
*/
// 待改进，下载到临时文件，下载成功后再转移（已经有文件则覆盖），下载失败则删除。
// 待改进，参数形式改成curl_func($url, $method, $data=null, savepath=null, $proxy=null, $return_encode="gbk")
function curl_func($url, $method, $data=null, $savepath=null, $proxy=null, $return_encode=null){
global $colors, $cookie_dir, $tmpfile_dir, $referer_config, $useragent_config, $local_ip_config, $curl_config;
// 控制台输出颜色
extract($colors);
// 去除URL中的/../
$url = get_absolute_path($url);
// 去除实体转码
$url = htmlspecialchars_decode($url);
// 统计数据
if(function_exists("mp_counter")){
if(!empty($savepath)){
mp_counter("down_total"); // 下载次数计数
}elseif($method == "HEADER"){
mp_counter("header_total"); // 抓取HTTP头次数计数
}else{
mp_counter("fetch_total"); // 抓取网页次数计数
}
}
for($i = 0; $i < curl_config_get("retry"); $i++){
// 初始化
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
// 设置超时
curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, curl_config_get("conntimeout")); // 连接超时
if(empty($savepath)){
curl_setopt($ch, CURLOPT_TIMEOUT, curl_config_get("fetchtimeout")); // 抓取网页(包括HEADER)超时
}else{
curl_setopt($ch, CURLOPT_TIMEOUT, curl_config_get("downtimeout")); // 下载文件超时
}
// 接收网页内容到变量
curl_setopt($ch, CURLOPT_RETURNTRANSFER, TRUE);
// 忽略SSL验证
curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, 0);
curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, 0);
// 设置referer, 在文件里配置的优先级最高
foreach($referer_config as $domain=>$ref){
if(stripos($url, $domain) !== FALSE){
$referer = $ref;
break;
}
}
// 检查是否有通过curl_set_referer()设置referer
if(empty($referer) && !empty($curl_config[getmypid()]["referer"])){
$referer = $curl_config[getmypid()]["referer"];
}
if(!empty($referer)){
curl_setopt($ch, CURLOPT_REFERER, $referer);
}
// 设置HTTP请求标识，在文件里配置的优先级最高
foreach($useragent_config as $domain=>$ua){
if(stripos($url, $domain) !== FALSE){
$useragent = $ua;
break;
}
}
// 检查是否有通过curl_set_ua()设置useragent
if(empty($useragent)){
$useragent = curl_config_get("ua");
}
curl_setopt($ch, CURLOPT_USERAGENT, $useragent);
// 出口IP
if(!empty($local_ip_config)){
curl_setopt($ch, CURLOPT_INTERFACE, $local_ip_config[array_rand($local_ip_config)]);
}
// 设置代理
if(!empty($proxy)){
curl_setopt($ch, CURLOPT_PROXY, $proxy);
curl_setopt($ch, CURLOPT_PROXYTYPE, CURLPROXY_SOCKS5);
}
// 设置允许接收gzip压缩数据，以及解压，抓取HEADER时不使用(获取不到正确的文件大小，影响判断下载成功)
if($method != "HEADER") {
curl_setopt($ch, CURLOPT_HTTPHEADER, array("Accept-Encoding: gzip, deflate"));
curl_setopt($ch, CURLOPT_ENCODING, "");
}
// 遇到301和302转向自动跳转继续抓取，如果用于WEB程序并且设置了open_basedir，这个选项无效
@curl_setopt($ch, CURLOPT_FOLLOWLOCATION, TRUE);
// 最大转向次数，避免进入到死循环
curl_setopt($ch, CURLOPT_MAXREDIRS, 5);
// 启用cookie
$cookie_path = $cookie_dir . "curl_cookie_pid_" . get_ppid();
curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie_path);
curl_setopt($ch, CURLOPT_COOKIEJAR, $cookie_path);
// 设置post参数内容
if($method == "POST"){
curl_setopt($ch, CURLOPT_HEADER, 0);
curl_setopt($ch, CURLOPT_POSTFIELDS, $data);
}
// 设置用于下载的参数
if(!empty($savepath)){
$tmpfile = $tmpfile_dir . "/curl_tmpfile_pid_".getmypid();
file_exists($tmpfile) && unlink($tmpfile);
$fp = fopen($tmpfile, "w");
curl_setopt($ch, CURLOPT_FILE, $fp);
}
// 仅获取header
if($method == "HEADER"){
curl_setopt($ch, CURLOPT_NOBODY, TRUE);
curl_setopt($ch, CURLOPT_HEADER, TRUE);
}
// 抓取结果
$curl_res = curl_exec($ch);
// curl info
$info = curl_getinfo($ch);
// 调试curl时间，记录连接时间，等待时间，传输时间，总时间。
// 测试方法，任何输出前设置sleep，输出中间设置sleep
/*
foreach($info as $key=>$val){
echo "$key:$val\n";
}
exit(9);
*/
// 错误信息
$error_msg = curl_error($ch);
$error_no = curl_errno($ch);
// 关闭CURL句柄
curl_close($ch);
// 如果CURL有错误信息则判断为抓取失败，重试
if(!empty($error_no) || !empty($error_msg)){
$error_msg = "{$error_msg}($error_no)";
curl_msg($error_msg, $method, $url, "yellow");
continue;
}
// 统计流量
if(function_exists("mp_counter")){
if(!empty($info["size_download"]) && $info["size_download"] > 0){
mp_counter("download_total", $info["size_download"]);
}
}
// 对结果进行处理
if($method == "HEADER"){
// 返回header信息
return $curl_res;
}else{
// 最终的状态码
$status_code = $info["http_code"];
if(in_array($status_code, array_merge(range(400, 417), array(500, 444)))){
// 非服务器故障性的错误，直接退出，返回NULL
$error_msg = $status_code;
if(!empty($savepath)){
$method = "{$method}|DOWN";
}
curl_msg($error_msg, $method, $url, "red");
return NULL;
}if($status_code != 200){
// 防止网站502等临时错误，排除了上面的情况后，非200就重试。这一条规则需要后续根据情况来改进。
// curl执行过程中会自动跳转，这里不会出现301和302，除非跳转次数超过CURLOPT_MAXREDIRS的值
$error_msg = $status_code;
curl_msg($error_msg, $method, $url, "yellow");
continue;
}
if(empty($savepath)){
// 抓取页面
if(empty($curl_res)){
// 空白页面
$error_msg = "blank page";
// 返回NULL值，调用处注意判断
return NULL;
}else{
// 默认将页面以GBK编码返回
// 分析页面编码 // 转码条件：1)匹配到编码, 2)返回编码不为空, 3）匹配到的编码和返回编码不相同 // iconv如果失败则返回空白页 // 统计下载文件量 return TRUE; // 如果是下载或者抓取header，并且错误代码为6(域名无法解析)，则不输出错误。失效的图片引用太多了。 // 统计数据 return FALSE; /** // 多并发下建议关闭黄色错误输出 if(php_sapi_name() != "cli"){ if(!in_array($color, $available_msg)){ echo "{$reverse}".$colors[$color]."({$method})[cURL ERROR: {$msg}] {$url}{$end}\n"; /** /** function relative_to_absolute($content, $url) { preg_match("/(http|https|ftp):\/\/[^\/]*/", $url, $preg_base); preg_match("/(http|https|ftp):\/\/.*\//", $url, $preg_full); return $content; /** $cookie_files = glob("{$cookie_dir}curl_*_pid_*"); foreach($files as $file){ } function curl_rand_ua_pc(){ function curl_rand_ua_mobile(){ function curl_config_get($key){ if(!empty($curl_config[getmypid()][$key])){ function curl_config_set($key, $val){ function curl_set_ua($ua){ function curl_set_referer($referer){ function curl_set_retry($retry){ function curl_set_conntimeout($conntimeout){ function curl_set_fetchtimeout($fetchtimeout){ function curl_set_downtimeout($downtimeout){ process.lib.php
if(php_sapi_name() != "cli"){ declare(ticks = 1); // 中断信号 // 命令行颜色输出 // 程序开始运行时间 // 父进程PID // 文件保存目录，/dev/shm/是内存空间映射到硬盘上，IO速度快。 // 清理过期资源(文件和SEM信号锁)，每次程序执行都需要调用，清除掉之前执行时的残留文件。 // 判断是否在子进程中 /** // 父进程PID或者自身PID // 系统启动时间 // 进程启动时间 // 由父进程ID确定变量文件路径前缀 // 由于系统启动时间和当前父进程启动时间(jiffies格式)确定计数使用的文件 // 更新计数，先锁定 if(!file_exists($cur_path)){ $counter = 0; // 更新记数, 继续研究下判断init不能用== // 写入计数，解锁 return $new_counter; /** if(empty($num)){ // 记录进程数量，统计用 // 子进程数量 // 任务完成标识 while(TRUE) { // 清空子进程退出状态 // 如果任务未完成，并且子进程数量没有达到最高，则创建 【phpstudy】PHP curl实现多进程并发高效率采集爬虫 http://m.bbyears.com/jiaocheng/105391.html
preg_match_all("/
if(!empty($matches[2][0]) && !empty($return_encode)
&& str_replace("-", "", strtolower($matches[2][0]))
!= str_replace("-", "", strtolower($return_encode))){
$curl_res = @iconv($matches[2][0], "{$return_encode}//IGNORE", $curl_res);
// 替换网页标明的编码
$curl_res = str_ireplace($matches[2][0], $return_encode, $curl_res);
}
if(empty($curl_res)){
return NULL;
}else{
// 将相对路径转换为绝对路径
$curl_res = relative_to_absolute($curl_res, $url);
return $curl_res;
}
}
}else{
// 下载文件
if(@filesize($tmpfile) == 0){
$error_msg = "Emtpy Content";
continue;
}
if(function_exists("mp_counter")){
mp_counter("download_size", filesize($tmpfile));
}
// 创建目录
@mkdir(dirname($savepath), 0777, TRUE);
// 转移临时的文件路径
rename($tmpfile, $savepath);
}
}
}
// 域名不合法的时候也无法输出错误了，需要改进，在前面判断URL的合法性
if(!(($method == "HEADER" || !empty($savepath)) && !empty($error_no) && $error_no == 6)){
if(!empty($savepath)){
$method = "{$method}|DOWN";
}
curl_msg($error_msg, $method, $url, "red");
}
if(function_exists("mp_counter")){
if(!empty($savepath)){
mp_counter("down_failed");
}elseif($method == "HEADER"){
mp_counter("header_failed");
}else{
mp_counter("fetch_failed");
}
}
}
* 输出错误信息
*
* @param string $msg 错误信息
* @param string $method 请求方式
* @param string $url URL地址
* @param string $color 颜色
*/
function curl_msg($msg, $method, $url, $color){
global $colors;
extract($colors);
//$available_msg[] = "yellow";
$available_msg[] = "red";
return;
}
return;
}
}
* 将URL地址转换为绝对路径
* URL地址有可能会遇到包含"/../"构成的相对路径，curl不会自动转换
* echo get_absolute_path("http://www.a.com/a/../b/../c/../././index.php");
* 结果为：http://www.a.com/index.php
*
* @param string $path 需要处理的URL
* @return string 返回URL的绝对路径
*/
function get_absolute_path($path) {
$parts = array_filter(explode("/", $path), "strlen");
$absolutes = array();
foreach ($parts as $part) {
if ("." == $part) continue;
if (".." == $part) {
array_pop($absolutes);
} else {
$absolutes[] = $part;
}
}
return str_replace(":/", "://", implode("/", $absolutes));
}
* 使用图片URL的md5值作为路径，并且分级目录
* 深度为e时，伪静态规则为rewrite ^/(.)(.)(.)(.*)$ /$1/$2/$3/$4 break;
* 平均1篇文章1张图片，三千万文章，三千万图片，3级目录最终4096子目录，平均每目录7324个图片
*
* @param string $str 原图片地址
* @param int $deep 目录深度
* @return string 返回分级目录
*/
function md5_path($str, $deep = 3){
$md5 = substr(md5($str), 0, 16);
preg_match_all("/./", $md5, $preg);
$res = "";
for($i = 0; $i < count($preg[0]); $i++){
$res .= $preg[0][$i];
if($i < $deep){
$res .= "/";
}
}
return $res;
}
$content = preg_replace("/src\s*=\s*\"\s*/", "src="", $content);
$content = preg_replace("/href\s*=\s*\"\s*/", "href="", $content);
if(!empty($preg_base[0])){
// $preg_base[0]内容如http://www.yundaiwei.com
// 这里处理掉以/开头的链接，也就是相对于网站根目录的路径
$content = preg_replace("/href=\s*"\//i", "href="".$preg_base[0]."/", $content);
$content = preg_replace("/src=\s*"\//ims", "src="".$preg_base[0]."/", $content);
}
if(!empty($preg_full[0])){
// 这里处理掉相对于目录的路径，如src="../../images/jobs/lippman.gif"
// 排除掉file://开头的本地文件链接，排除掉data:image方式的BASE64图片
$content = preg_replace("/href=\s*"\s*(?!http|file:\/\/|data:image|javascript)/i", "href="".$preg_full[0], $content);
$content = preg_replace("/src=\s*"\s*(?!http|file:\/\/|data:image|javascript)/i", "src="".$preg_full[0], $content);
}
}
* 清除过期的cookie文件和下载临时文件
*/
function clear_curl_file(){
global $cookie_dir;
$tmp_files = glob("/tmp/curl_*_pid_*");
$files = array_merge($cookie_files, $tmp_files);
preg_match("/pid_(\d*)/", $file, $preg);
$pid = $preg[1];
$exe_path = "/proc/{$pid}/exe";
// 如果文件不存在则说明进程不存在，判断是否为PHP进程，排除php-fpm进程
if(!file_exists($exe_path)
|| stripos(readlink($exe_path), "php") === FALSE
|| stripos(readlink($exe_path), "php-fpm") === TRUE){
$sem = @sem_get(@ftok($file, "a"));
if($sem){
@sem_remove($sem);
}
unlink($file);
}
}
}
/**
* 如果是在子进程中，获取父进程PID，否则获取自身PID
* @return int
*/
if(!function_exists("get_ppid")){
function get_ppid(){
if(php_sapi_name() != "cli"){
// 如果是web方式调用，返回PHP执行进程PID，如APACHE或者PHP-FPM
getmypid();
}else{
// 命令行执行进入到这里
// 这里需要识别出是在子进程中调用还是在父进程中调用，不同的形式，保存的变量内容的文件位置需要保持一致
$ppid = posix_getppid();
// 理论上，这种判断方式可能会出坑。但在实际使用中，除了fork出的子进程外，不太可能让PHP进程的父进程的程序名中出现php字样。
if(strpos(readlink("/proc/{$ppid}/exe"), "php") === FALSE){
$pid = getmypid();
}else{
$pid = $ppid;
}
return $pid;
}
}
// UTF-8转GBK
if(!function_exists("u2g")){
function u2g($string){
return @iconv("UTF-8", "GBK//IGNORE", $string);
}
}
// GBK转UTF-8
if(!function_exists("g2u")) {
function g2u($string)
{
return @iconv("GBK", "UTF-8//IGNORE", $string);
}
}
$ua = "Mozilla/5.0 (compatible; MSIE ".rand(7, 9).
".0; Windows NT 6.1; WOW64; Trident/".rand(4, 5).".0)";
return $ua;
}
$op = "Mozilla/5.0 (Linux; U; Android ".rand(4,5).".".rand(1,5).".".rand(1,5)."; zh-cn; MI ".rand(3, 5).");";
$browser = "AppleWebKit/".rand(500, 700).".".rand(1,100).".".rand(1,100)
." (KHTML, like Gecko) Version/".rand(5,10)
.".0 Mobile Safari/537.36 XiaoMi/MiuiBrowser/".rand(1,5).".".rand(1,5).".".rand(1,5);
return $op.$browser;
}
global $curl_config, $curl_default_config;
return $curl_config[getmypid()][$key];
}elseif(!empty($curl_default_config[$key])){
return $curl_default_config[$key];
}else{
echo "$curl_default_config"."[$key] Not Found!\n";
exit(9);
}
}
global $curl_config;
$curl_config[getmypid()][$key] = $val;
}
curl_config_set("ua", $ua);
}
curl_config_set("referer", $referer);
}
curl_config_set("retry", $retry);
}
curl_config_set("conntimeout", $conntimeout);
}
curl_config_set("fetchtimeout", $fetchtimeout);
}
curl_config_set("downtimeout", $downtimeout);
}
return;
}
$signals = array(
SIGINT => "SIGINT",
SIGHUP => "SIGHUP",
SIGQUIT => "SIGQUIT"
);
$colors["red"] = "\33[31m";
$colors["green"] = "\33[32m";
$colors["yellow"] = "\33[33m";
$colors["end"] = "\33[0m";
$colors["reverse"] = "\33[7m";
$colors["purple"] = "\33[35m";
$colors["cyan"] = "\33[36m";
$start_time = time();
$fpid = getmypid();
// 有些环境上可能会没有这个目录，比如OpenVZ的VPS，这个路径实际是在硬盘上
if(file_exists("/dev/shm/") && is_dir("/dev/shm/")){
$process_file_dir = "/dev/shm/";
}else{
$process_file_dir = "/tmp/";
}
clear_process_resource();
function is_subprocess(){
global $fpid;
if(getmypid() != $fpid){
return true;
}else{
return false;
}
}
* 多进程计数
*
* 1,用于多进程运行时的任务分配与计数，比如要采集某DZ论坛的帖子，则可以将计数器用于/thread-tid-1-1.html中
* 的tid，实现进程间的协调工作
* 2,由于shm_*系列函数的操作不够灵活，所以这里主要用于/proc/和/dev/shm/这二个目录来实现数据的读写（内存操
* 作，不受硬盘IO性能影响），用semaphore信号来实现锁定和互斥机制
* 3,编译PHP时需要使用参数--enable-sysvmsg安装所需的模块
*
* @param string $countername 计数器名称
* @param mix $update 计数器的更新值，如果是"init"，计数器则被初始化为0
* @return int 返回计数
*/
function mp_counter($countername, $update=1){
global $process_file_dir;
$time = date("Y-m-d H:i:s");
$top_pid = get_ppid();
$sysuptime = get_sysuptime();
$ppuptime = get_ppuptime($top_pid);
$path_pre = "{$process_file_dir}mp_counter_{$countername}_pid_{$top_pid}_";
$cur_path = "{$path_pre}btime_{$sysuptime}_ptime_{$ppuptime}";
$lock = sem_lock();
// 调试代码。个别系统上启动时间会变化，造成文件路径跟随变化，最终导致计数归0。
// $log = "[{$time}] - {$countername}($cur_path) - init\n";
// file_put_contents("/tmp/process.log", $log, FILE_APPEND);
}else{
// 理论上在这里，文件是一定存在的
$counter = file_get_contents($cur_path);
}
if($update === "init"){
// 如果接收到更新值为init,或者变量文件不存在，则将计数初始化为0。
$new_counter = 0;
}else{
$new_counter = $counter + $update;
}
file_put_contents($cur_path, $new_counter);
sem_unlock($lock);
}
* 创建多进程
*
* 1,通过mp_counter()函数实现进程间的任务协调
* 2,由于PHP进程可能会由于异常而退出(主要是segment fault)，并且由于处理内存泄露的问题需要子进程主动退出，本函数可以实现自动建立
* 新的进程，使子进程数量始终保持在$num的数量
* 3,编译PHP时需要使用参数--enable-pcntl安装所需的模块
* 4,如果在子进程中调用了exit(9)，那么主进程和所有子进程都将退出
*
* @param int $num 进程数量
* @param bool $stat 结束后是否输出统计信息
*/
function multi_process($num, $stat=FALSE){
global $colors, $signals;
extract($colors);
$num = 1;
}
mp_counter("process_num", "init");
mp_counter("process_num", $num);
$child = 0;
$task_finish = FALSE;
unset($status);
if ($task_finish == FALSE && $child < $num) {
$pid = pcntl_fork();
if ($pid) {
// 有PID，这里是父进程