PHP从网站抓取数据

时间:2014-06-18 13:15:15

标签: php mysql performance web-crawler

我目前正在尝试从网站抓取大量数据,但我正在努力解决这个问题。它有一个a-z索引和1-20索引,所以它有一堆循环和DOM东西。但是,它在第​​一次运行时设法抓取并保存了大约10,000行,但现在我大约在15.000左右,并且每次运行只会爬行大约100行。

可能是因为它必须跳过已经插入的行(检查一下)。我想不出一种轻松跳过某些页面的方法,因为1-20索引变化很大(一个字母有18页,其他字母只有2页)。

我正在检查是否已存在具有给定ID的记录,如果没有,请插入它。我认为这将是缓慢的,所以现在在脚本星星之前我检索所有行,然后检查in_array(),假设它更快。但它不会起作用。

所以我的抓取器导航26个字母,每个字母20页,然后每页最多50次,所以如果你计算它,那就很多了。

想到逐字逐句地运行它,但是因为我仍然被困在" a"并且不能跳到" b"因为我会错过来自" a"。

的记录

希望我已经解释了这个问题,足以让有人帮助我。我的代码看起来像这样:(我已经删除了一些东西,猜测所有重要的东西都在这里给你一个想法)

function in_array_r($needle, $haystack, $strict = false) {
    foreach ($haystack as $item) {
        if (($strict ? $item === $needle : $item == $needle) || (is_array($item) && in_array_r($needle, $item, $strict))) {
            return true;
        }
    }

    return false;
}
/* CONNECT TO DB */
mysql_connect()......



$qry = mysql_query("SELECT uid FROM tableName");
$all = array();
while ($row = mysql_fetch_array($qru)) {
    $all[] = $row;
} // Retrieving all the current database rows to compare later

foreach (range("a", "z") as $key) {
    for ($i = 1; $i < 20; $i++) {
        $dom = new DomDocument();
        $dom->loadHTMLFile("http://www.crawleddomain.com/".$i."/".$key.".htm");
        $finder = new DomXPath($dom);
        $classname="table-striped";
        $nodes = $finder->query("//*[contains(concat(' ', normalize-space(@class), ' '), ' $classname ')]");
        foreach ($nodes as $node) {
            $rows = $finder->query("//a[contains(@href, '/value')]", $node);
            foreach ($rows as $row) {
                $url = $row->getAttribute("href");
                $dom2 = new DomDocument();
                $dom2->loadHTMLFile("http://www.crawleddomain.com".$url);
                $finder2 = new DomXPath($dom2);
                $classname2="table-striped";
                $nodes2 = $finder2->query("//*[contains(concat(' ', normalize-space(@class), ' '), ' $classname2 ')]");
                foreach ($nodes2 as $node2) {

                    $rows2 = $finder2->query("//a[contains(@href, '/loremipsum')]", $node2);
                    foreach ($rows2 as $row2) {

                        $dom3 = new DomDocument();
                        //
                        // not so important variable declarations..
                        //


                        $dom3->loadHTMLFile("http://www.crawleddomain.com".$url);
                        $finder3 = new DomXPath($dom3);
                        //2 $finder3->query() right here


                        $query231 = mysql_query("SELECT id FROM tableName WHERE uid='$uid'");
                        $result = mysql_fetch_assoc($query231);
                        //Doing this to get category ID from another table, to insert with this row..
                        $id = $result['id'];


                        if (!in_array_r($uid, $all)) { // if not exist
                            mysql_query("INSERT INTO')"); // insert the whole bunch
                        }

                    }
                }
            }
        }
    }
}

1 个答案:

答案 0 :(得分:1)

$uid未定义,此查询也没有意义:

mysql_query("INSERT INTO')");

您应该启用错误报告:

ini_set('display_errors',1); 
error_reporting(E_ALL);

在您提出疑问后,您应该or die(mysql_error());

另外,我不妨说,如果我没有其他人愿意的话。不要使用mysql_*函数。它们已被弃用,将从未来的PHP版本中删除。试试PDO