最近需要收集資料，在浏覽器上用另存為的方式實在是很麻煩，而且不利於存儲和檢索。所以自己寫了一個小爬蟲，在網上爬東西，迄今為止，已經爬了近百 萬張網頁。現在正在想辦法著手處理這些數據。
爬蟲的結構：
爬蟲的原理其實很簡單，就是分析下載的頁面，找出其中的連接，然後再下載這些鏈接，再分析再下載，周而復始。在數據存儲方面，數據庫是首選，便於檢索，而 開發語言，只要支持正則表達式就可以了，數據庫我選擇了mysql，所以，開發腳本我選擇了php。它支持perl兼容正則表達式，連接mysql很方 便，支持http下載，而且windows系統和linux系統都可以部署。
正則表達式:
正則表達式是處理文字的基本工具，要取出html中的鏈接和圖片，使用的正則表達式如下。
復制代碼 代碼如下:
"#<a[^>]+href=(['\"])(.+)\\1#isU" 處理鏈接
"#<img[^>]+src=(['\"])(.+)\\1#isU" 處理圖片
其他問題:
寫爬蟲還需要注意的一個問題是，對於已經下載過的url，不能重復進行下載，而有些網頁的鏈接會形成環路，所以需要處理這個問題，我的處理方法是計算已經 處理的url的MD5 值，並存入數據庫，這樣就可以檢驗是否已經下載過。當然還有更好的算法，有興趣的話，可以在網上找一下。
相關協議:
爬蟲也有自己的協議，有個robots.txt文件定義了那些是網站允許遍歷的，但是由於我的時間有限，沒有實現這個功能。
其他說明:
php支持類編程,我寫的爬蟲主要的類.
1.url處理web_site_info，主要用處理url，分析域名等。
2.數據庫操作mysql_insert.php,處理和數據庫相關的操作。
3.歷史記錄處理，記錄已經處理的url。
4.爬蟲類。
存在的問題和不足
這個爬蟲在小數據量的情況下，運行良好，但是在大數據量的情況下，歷史記錄處理類的效率就不是很高，通過在數據庫結構中，對相關字段進行了索引，速度有了 提高，但是需要不斷得讀取數據，可能和php本身的array實現有關系，如果一次加載10萬條歷史記錄，速度非常慢。
不支持多線程，每次只能處理一個url。
php運行本身有內存使用量限制，有一次在抓取深度為20的頁面的時候，內存用盡程序被殺。
下面的url是源碼下載。
http://xiazai.jb51.net/201506/other/net_spider.rar
使用的時候，先在mysql中創建net_spider數據庫，然後用db.sql創建相關表。再在config.php中設置mysql 的用戶名口令。
最後
復制代碼 代碼如下:
php -f spider.php 深度(數值) url
就可以開始工作。如
復制代碼 代碼如下:
php -f spider.php 20 http://news.sina.com.cn
現在感覺下來，其實做個爬蟲沒那麼復雜，難的是數據的存儲和檢索。我現在的數據庫，最大一個數據表已經15G，正在想辦處理這些數據，mysql進 行查詢已經感覺有點力不從心了。這點上還真佩服google
<?php
#加載頁面
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);
}
#獲取頁面url鏈接
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 $out[1];
}else{
return;
}
}
#相對路徑轉絕對路徑
function xdtojd($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 $result_url_list;
}else{
return;
}
}
#刪除其他站點url
function other_site_url_del($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 $all_url_list;
}else{
return;
}
}
#刪除相同URL
function url_same_del($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){
#這裡只做了參數相同去重處理
$update_insert_url=preg_replace('/=[^&]*/','=leesec',$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");//記錄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($fp_gets,1024));//不斷獲得url
preg_match_all("/<a[^>]+href=[\"']([^\"']+)[\"'][^>]+>/",$spider_page_result,$out);
# echo a href
#var_dump($out[1]);
?>
