Question

我有一张Alexa排名前100万的名单。我想查看这100万个网站中哪些是具有网页www.domain.com/pageNameUrl的网站。我试过了

foreach($sites as $site){    
  $file_headers = @get_headers($site);
  if(strpos($file_headers[0],"200 OK") !== false) {
    $exists = true;
    //save site name code...
  } else {
    $exists = false;
  }
}

但是这段代码需要花费太多时间。通过所有网站需要1个月甚至更长时间。还有其他更快的方法吗？

Answer 1

我认为php不适合那份工作。您可能会考虑类似nodeJs的东西，它非常适合异步作业。看看这个（例子来自https://npmjs.org/package/crawler）

var Crawler = require("crawler").Crawler;

var c = new Crawler({
    // here you can define, how many pages you want to do in parallel
    "maxConnections":10,

    // This will be called for each crawled page
    "callback":function(error,result,$) {
        // mark this page as available or not based on the reponse
        console.log(result.statusCode);
    }
});

// Queue all your urls in a loop, they all will be push asynchronously to the crawler job
c.queue("http://www.google.de");
c.queue("http://www.amazon.de");
c.queue("http://www.facebook.de");

检查页面网址是否存在（快速方式 - 1mio网站）

1 个答案: