php采集知网数据 PHP数据采集

php 百度 知道数据采集

问题其实不难，自己都能写。给你几个思路吧：

10年积累的成都做网站、网站建设、外贸营销网站建设经验，可以快速应对客户对网站的新想法和需求。提供各种问题对应的解决方案。让选择我们的客户得到更好、更有力的网络服务。我虽然不认识你，你也不认识我。但先网站制作后付款的网站建设流程，更有奈曼免费网站建设让你可以放心的选择与我们合作。

1.在百度知道中，输入linux，然后会出现列表。复制浏览器地址栏内容。

然后翻页，在复制地址栏内容，看看有什么不同，不同之处，就是你要循环分页的i值。

当然这个是笨方法。

2.使用php的file或者file_get_contents函数，获取链接URL的内容。

3.通过php正则表达式，获取你需要的3个字段内容。

4.写入数据库。

需要注意的是，百度知道有可能做了防抓取的功能，你刚一抓几个页面，可能会被禁止。

建议也就抓10页数据。

其实不难，你肯定写的出来。 还有，网上应该有很多抓取工具，你找找看，然后将抓下来的数据

在做分析。写入数据库。

PHP数据采集问题（相对地址转绝对地址）

其实用不着这么麻烦的，采集时，你看到的图片路径是相对地址，是相对当前域名的一个相对路径而已，你只要在前面加上

http://当前域名（采集内容的域名，比如zhidao.baidu.com）/

就是它的绝对地址了，

就像/abc.jpg一样

http://当前域名（采集内容的域名，比如zhidao.baidu.com）/abc.jpg就是绝对地址了

没必要搞复杂

php怎么抓取其它网站数据

可以用以下4个方法来抓取网站 的数据：

1. 用 file_get_contents 以 get 方式获取内容：

?

$url = '';

$html = file_get_contents($url);

echo $html;

2. 用fopen打开url，以get方式获取内容

?

$url = '';

$fp = fopen($url, 'r');

stream_get_meta_data($fp);

$result = '';

while(!feof($fp))

{

$result .= fgets($fp, 1024);

}

echo "url body: $result";

fclose($fp);

3. 用file_get_contents函数,以post方式获取url

?

$data = array(

'foo'='bar',

'baz'='boom',

'site'='',

'name'='nowa magic');

$data = http_build_query($data);

//$postdata = http_build_query($data);

$options = array(

'http' = array(

'method' = 'POST',

'header' = 'Content-type:application/x-www-form-urlencoded',

'content' = $data

//'timeout' = 60 * 60 // 超时时间（单位:s）

)

);

$url = "";

$context = stream_context_create($options);

$result = file_get_contents($url, false, $context);

echo $result;

4、使用curl库，使用curl库之前，可能需要查看一下php.ini是否已经打开了curl扩展

$url = '';

$ch = curl_init();

$timeout = 5;

curl_setopt ($ch, CURLOPT_URL, $url);

curl_setopt ($ch, CURLOPT_RETURNTRANSFER, 1);

curl_setopt ($ch, CURLOPT_CONNECTTIMEOUT, $timeout);

$file_contents = curl_exec($ch);

curl_close($ch);

echo $file_contents;

php采集大数据的方案

1、建议你读写数据和下载图片分开，各用不同的进程完成。

比如说，取数据用get-data.php，下载图片用get-image.php。

2、多进程的话，php可以简单的用pcntl_fork()。这样可以并发多个子进程。

但是我不建议你用fork，我建议你安装一个gearman worker。这样你要并发几个，就启几个worker，写代码简单，根本不用在代码里考虑thread啊，process等等。

3、综上，解决方案这样：

（1）安装gearman worker。

（2）写一个get-data.php，在crontab里设置它每5分钟执行一次，只负责读数据，然后把读回来的数据一条一条的扔到 gearman worker的队列里；

然后再写一个处理数据的脚本作为worker，例如叫process-data.php，这个脚本常驻内存。它作为worker从geraman 队列里读出一条一条的数据，然后跟你的数据库老数据比较，进行你的业务逻辑。如果你要10个并发，那就启动10个process-data.php好了。处理完后，如果图片地址有变动需要下载图片，就把图片地址扔到 gearman worker的另一个队列里。

（3）再写一个download-data.php，作为下载图片的worker，同样，你启动10个20个并发随便你。这个进程也常驻内存运行，从gearman worker的图片数据队列里取数据出来，下载图片

4、常驻进程的话，就是在代码里写个while(true)死循环，让它一直运行好了。如果怕内存泄露啥的，你可以每循环10万次退出一下。然后在crontab里设置，每分钟检查一下进程有没有启动，比如说这样启动3个process-data worker进程：

* * * * * 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'

不知道你明白了没有

我编写了一个php采集器。主要是采集某个网站的文本信息，可是浏览器时间一长就断了

这是因为，PHP脚本是一般情况下只能运行30秒左右，

具体数据与服务器的设置有关。

如果你的脚本超时，就要对任务对进分解。

做成任务接力的形式。

当PHP页面处理大事务时，页面往往会发生超时的错误，我解决此问题的方法如下：

1.优化程序代码：

这种方法可能有时立竿见影，但对一些已经很优化或者第三方开发的程序，可能用处不大，但我个人觉得这个办法还是应该优先考虑，这个一个优秀程序员必需有的工作美德。

2.对多个任务进行拆分：

对于一些程序，可能问题并不出现在代码效率上，如Paypal的SOAP调用，大量时间花费在网络的数据传递上了，（此问题在Web Services的远程调用时经常发生），我们当然不能等将来网速的提高来解决这个问题。其实我们可以查看一下在一个POST动作中是否包含了多个任务，如付费、发Email、发货等等。如是这样其实可以对这些任务进行拆分，把这个工作拆分成多个子工作来实现。如执行完付费任务时，使用PHP的 Header函数重定向到发送Email的页面，完成后再定向到其他页面，采用redirect页面的方式来接力地完成任务。

设计三个PHP文件，分别是s2.php s3.php s4.php

让这三个文件进行接力，

s2.php的内容如下

?php

ob_start();

sleep(3);//代表做某些任务所用的时间

echo "在做第一件事。";

header("Location: ");

ob_end_flush();

?

s3.php的内容如下：

?php

ob_start();

$i=$_GET['i']+1;

echo “在做第二件事”;

sleep(3);//用来代表做了某件事件

header("Location: ");

ob_end_flush();

?

s4.php

?php

ob_start();

$i=$_GET['i']+1;

sleep(3);

echo "在做第三件事";

ob_end_flush();

?

变量i用来传送文件之间的参数。