建站
咨詢
售后
建站咨詢
新聞中心
php采集大數(shù)據(jù)的方案
1、建議你讀寫數(shù)據(jù)和下載圖片分開，各用不同的進(jìn)程完成。
創(chuàng)新互聯(lián)公司秉承實(shí)現(xiàn)全網(wǎng)價(jià)值營銷的理念，以專業(yè)定制企業(yè)官網(wǎng)，網(wǎng)站設(shè)計(jì)制作、做網(wǎng)站，小程序設(shè)計(jì)，網(wǎng)頁設(shè)計(jì)制作，移動網(wǎng)站建設(shè)，營銷型網(wǎng)站建設(shè)幫助傳統(tǒng)企業(yè)實(shí)現(xiàn)“互聯(lián)網(wǎng)+”轉(zhuǎn)型升級專業(yè)定制企業(yè)官網(wǎng),公司注重人才、技術(shù)和管理，匯聚了一批優(yōu)秀的互聯(lián)網(wǎng)技術(shù)人才,對客戶都以感恩的心態(tài)奉獻(xiàn)自己的專業(yè)和所長。
比如說，取數(shù)據(jù)用get-data.php，下載圖片用get-image.php。
2、多進(jìn)程的話，php可以簡單的用pcntl_fork()。這樣可以并發(fā)多個子進(jìn)程。
但是我不建議你用fork，我建議你安裝一個gearman worker。這樣你要并發(fā)幾個，就啟幾個worker，寫代碼簡單，根本不用在代碼里考慮thread啊，process等等。
3、綜上，解決方案這樣：
（1）安裝gearman worker。
（2）寫一個get-data.php，在crontab里設(shè)置它每5分鐘執(zhí)行一次，只負(fù)責(zé)讀數(shù)據(jù)，然后把讀回來的數(shù)據(jù)一條一條的扔到 gearman worker的隊(duì)列里；
然后再寫一個處理數(shù)據(jù)的腳本作為worker，例如叫process-data.php，這個腳本常駐內(nèi)存。它作為worker從geraman 隊(duì)列里讀出一條一條的數(shù)據(jù)，然后跟你的數(shù)據(jù)庫老數(shù)據(jù)比較，進(jìn)行你的業(yè)務(wù)邏輯。如果你要10個并發(fā)，那就啟動10個process-data.php好了。處理完后，如果圖片地址有變動需要下載圖片，就把圖片地址扔到 gearman worker的另一個隊(duì)列里。
（3）再寫一個download-data.php，作為下載圖片的worker，同樣，你啟動10個20個并發(fā)隨便你。這個進(jìn)程也常駐內(nèi)存運(yùn)行，從gearman worker的圖片數(shù)據(jù)隊(duì)列里取數(shù)據(jù)出來，下載圖片
4、常駐進(jìn)程的話，就是在代碼里寫個while(true)死循環(huán)，讓它一直運(yùn)行好了。如果怕內(nèi)存泄露啥的，你可以每循環(huán)10萬次退出一下。然后在crontab里設(shè)置，每分鐘檢查一下進(jìn)程有沒有啟動，比如說這樣啟動3個process-data worker進(jìn)程：
* * * * * flock -xn /tmp/process-data.1.lock -c '/usr/bin/php /process-data.php /dev/null 21'
* * * * * flock -xn /tmp/process-data.2.lock -c '/usr/bin/php /process-data.php /dev/null 21'
* * * * * flock -xn /tmp/process-data.3.lock -c '/usr/bin/php /process-data.php /dev/null 21'
不知道你明白了沒有
php模擬登陸 知乎 顯示了登錄成功的unicode 但是采集登錄后的網(wǎng)頁是空白
知乎的程序是加密的，用PHP模擬登錄采集數(shù)據(jù)只能應(yīng)用于一些沒有加密數(shù)據(jù)的網(wǎng)站。所以你登錄采集到的是空白也是正常。
php 百度 知道數(shù)據(jù)采集
問題其實(shí)不難，自己都能寫。給你幾個思路吧：
1.在百度知道中，輸入linux，然后會出現(xiàn)列表。復(fù)制瀏覽器地址欄內(nèi)容。
然后翻頁，在復(fù)制地址欄內(nèi)容，看看有什么不同，不同之處，就是你要循環(huán)分頁的i值。
當(dāng)然這個是笨方法。
2.使用php的file或者file_get_contents函數(shù)，獲取鏈接URL的內(nèi)容。
3.通過php正則表達(dá)式，獲取你需要的3個字段內(nèi)容。
4.寫入數(shù)據(jù)庫。
需要注意的是，百度知道有可能做了防抓取的功能，你剛一抓幾個頁面，可能會被禁止。
建議也就抓10頁數(shù)據(jù)。
其實(shí)不難，你肯定寫的出來。 還有，網(wǎng)上應(yīng)該有很多抓取工具，你找找看，然后將抓下來的數(shù)據(jù)
在做分析。寫入數(shù)據(jù)庫。
php模擬登陸知乎
這種模擬登陸其實(shí)很簡單，php的話主要用curl來實(shí)現(xiàn)。仔細(xì)研究一下你要抓的站具體是怎么實(shí)現(xiàn)用戶登錄的，可以用wireshark或者burpsuite(建議用后者)抓包看看整個過程都有那幾次請求，每次請求都發(fā)送了哪些數(shù)據(jù)，構(gòu)造好發(fā)給他就可以實(shí)現(xiàn)登錄了。
之后獲取個人信息就很容易了，找找php解析html庫，或者最簡單粗暴的就是字符串截取函數(shù)加正則表達(dá)式，把你想要的數(shù)據(jù)提取出來就好了。
對于你給出的這種驗(yàn)證碼屬于非常容易識別的驗(yàn)證碼了，基本的識別原理參看使用Canvas進(jìn)行驗(yàn)證碼識別。
當(dāng)然比較蛋疼的問題就是網(wǎng)頁編碼問題，經(jīng)常爬過來全是亂碼，網(wǎng)上找找看轉(zhuǎn)碼的方法，都試一下，這是一門玄學(xué)，能不能成功看你人品和耐心吧。
如何利用python 爬取知乎上面的數(shù)據(jù)
#!/usr/bin/env python
# -*- coding: utf-8 -*-
# @Author: Administrator
# @Date: 2015-10-31 15:45:27
# @Last Modified by: Administrator
# @Last Modified time: 2015-11-23 16:57:31
import requests
import sys
import json
import re
reload(sys)
sys.setdefaultencoding('utf-8')
#獲取到匹配字符的字符串
def find(pattern,test):
finder = re.search(pattern, test)
start = finder.start()
end = finder.end()
return test[start:end-1]
cookies = {
'_ga':'GA1.2.10sdfsdfsdf', '_za':'8d570b05-b0b1-4c96-a441-faddff34',
'q_c1':'23ddd234234',
'_xsrf':'234id':'"ZTE3NWY2ZTsdfsdfsdfWM2YzYxZmE=|1446435757|15fef3b84e044c122ee0fe8959e606827d333134"',
'z_c0':'"QUFBQXhWNGZsdfsdRvWGxaeVRDMDRRVDJmSzJFN1JLVUJUT1VYaEtZYS13PT0=|14464e234767|57db366f67cc107a05f1dc8237af24b865573cbe5"',
'__utmt':'1', '__utma':'51854390.109883802f8.1417518721.1447917637.144c7922009.4',
'__utmb':'518542340.4.10.1447922009', '__utmc':'51123390', '__utmz':'5185435454sdf06.1.1.utmcsr=zhihu.com|utmcgcn=(referral)|utmcmd=referral|utmcct=/',
'__utmv':'51854340.1d200-1|2=registration_date=2028=1^3=entry_date=201330318=1'}
headers = {'user-agent':
'Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.111 Safari/537.36',
'referer':'',
'host':'','Origin':'',
'Content-Type':'application/x-www-form-urlencoded; charset=UTF-8',
'Connection':'keep-alive','X-Requested-With':'XMLHttpRequest','Content-Length':'81',
'Accept-Encoding':'gzip,deflate','Accept-Language':'zh-CN,zh;q=0.8','Connection':'keep-alive'
}
#多次訪問之后，其實(shí)一加載時加載20個問題，具體參數(shù)傳輸就是offset，以20遞增
dicc = {"offset":60}
n=20
b=0
# 與爬取圖片相同的是，往下拉的時候也會發(fā)送http請求返回json數(shù)據(jù)，但是不同的是，像模擬登錄首頁不同的是除了
# 發(fā)送form表單的那些東西后，知乎是拒絕了我的請求了，剛開始以為是headers上的攔截，往headers添加瀏覽器
# 訪問是的headers那些信息添加上，發(fā)現(xiàn)還是拒絕訪問。
#想了一下，應(yīng)該是cookie原因。這個加載的請求和模擬登錄首頁不同
#所以補(bǔ)上其他的cookies信息，再次請求，請求成功。
for x in xrange(20,460,20):
n = n+20
b = b+20
dicc['offset'] = x
formdata = {'method':'next','params':'{"offset":20}','_xsrf':'20770d88051f0f45e941570645f5e2e6'}
#傳輸需要json串，和python的字典是有區(qū)別的，需要轉(zhuǎn)換
formdata['params'] = json.dumps(dicc)
# print json.dumps(dicc)
# print dicc
circle = requests.post("",
cookies=cookies,data=formdata,headers=headers)
#response內(nèi)容 其實(shí)爬過一次之后就大同小異了。 都是
#問題返回的json串格式
# {"r":0,
# "msg": ["div class=\"zm-profile-section-item zg-clear\"\n
# span class=\"zm-profile-vote-count\"\ndiv class=\"zm-profile-vote-num\"205K\/div\n
# div class=\"zm-profile-vote-type\"\u6d4f\u89c8\/div\n
# \/span\ndiv class=\"zm-profile-section-main\"\n
# h2 class=\"zm-profile-question\"\n
# a class=\"question_link\" target=\"_blank\" href=\"\/question\/21719532\"
# \u4ec0\u4e48\u4fc3\u4f7f\u4f60\u8d70\u4e0a\u72ec\u7acb\u5f00\u53d1\u8005\u4e4b\u8def\uff1f\/a\n
# \/h2\ndiv class=\"meta zg-gray\"\na data-follow=\"q:link\" class=\"follow-link zg-unfollow meta-item\"
# href=\"javascript:;\" id=\"sfb-868760\"
# i class=\"z-icon-follow\"\/i\u53d6\u6d88\u5173\u6ce8\/a\nspan class=\"zg-bull\"?\/span\n63 \u4e2a\u56de\u7b54\nspan class=\"zg-bull\"?\/span\n3589 \u4eba\u5173\u6ce8\n\/div\n\/div\n\/div",
# "div class=\"zm-profile-section-item zg-clear\"\n
# span class=\"zm-profile-vote-count\"\n
# div class=\"zm-profile-vote-num\"157K\/div\n
# div class=\"zm-profile-vote-type\"\u6d4f\u89c8\/div\n
# \/span\ndiv class=\"zm-profile-section-main\"\n
# h2 class=\"zm-profile-question\"\n
# a class=\"question_link\" target=\"_blank\" href=\"\/question\/31764065\"
# \u672c\u79d1\u6e23\u6821\u7684\u5b66\u751f\u5982\u4f55\u8fdb\u5165\u7f8e\u5e1d\u725b\u6821\u8bfbPhD\uff1f\/a\n
# \/h2\ndiv class=\"meta zg-gray\"\n
# a data-follow=\"q:link\" class=\"follow-link zg-unfollow meta-item\" href=\"javascript:;\" id=\"sfb-4904877\"
# i class=\"z-icon-follow\"\/i\u53d6\u6d88\u5173\u6ce8\/a\nspan class=\"zg-bull\"?
# \/span\n112 \u4e2a\u56de\u7b54\nspan class=\"zg-bull\"?\/span\n1582 \u4eba\u5173\u6ce8\n
# \/div\n\/div\n\/div"]}
# print circle.content
#同樣json串需要自己 轉(zhuǎn)換成字典后使用
jsondict = json.loads(circle.text)
msgstr = jsondict['msg']
# print len(msgstr)
#根據(jù)自己所需要的提取信息規(guī)則寫出正則表達(dá)式
pattern = 'question\/.*?/a'
try:
for y in xrange(0,20):
wholequestion = find(pattern, msgstr[y])
pattern2 = '.*?'
finalquestion = find(pattern2, wholequestion).replace('','')
print str(b+y)+" "+finalquestion
#當(dāng)問題已經(jīng)訪問完后再傳參數(shù) 拋出異常 此時退出循環(huán)
except Exception, e:
print "全部%s個問題" %(b+y)
break
當(dāng)前標(biāo)題：如何用PHP采集知乎數(shù)據(jù) PHP數(shù)據(jù)采集
文章來源：http://www.ef60e0e.cn/article/dodsgie.html
