php swoole 爬虫,用Swoole异步抓取网页实战分享

2023-09-24 205 0

php程序员都知道,使用php写的程序都是同步的,如何用php写一个异步程序呢,答案就是Swoole。这里以抓取网页内容为例,来展示如何用Swoole来编写异步程序。

php的同步程序

在写异步程序之前,不要着急,先用php实现一下同步的程序。<?php

/**

* Class Crawler

* Path: /Sync/Crawler.php

*/

class Crawler

{

private $url;

private $toVisit = [];

public function __construct($url)

{

$this->url = $url;

}

public function visitOneDegree()

{

$this->loadPageUrls();

$this->visitAll();

}

private function loadPageUrls()

{

$content = $this->visit($this->url);

$pattern = '#((http|ftp)://(\S*?\.\S*?))([\s)\[\]{},;"\':

preg_match_all($pattern, $content, $matched);

foreach ($matched[0] as $url) {

if (in_array($url, $this->toVisit)) {

continue;

}

$this->toVisit[] = $url;

}

}

private function visitAll()

{

foreach ($this->toVisit as $url) {

$this->visit($url);

}

}

private function visit($url)

{

return @file_get_contents($url);

}

}<?php

/**

* crawler.php

*/

require_once 'Sync/Crawler.php';

$start = microtime(true);

$url = 'http://www.swoole.com/';

$ins = new Crawler($url);

$ins->visitOneDegree();

$timeUsed = microtime(true) - $start;

echo "time used: " . $timeUsed;

/* output:

time used: 6.2610177993774

*/

Swoole实现异步爬虫初探

先参考一下官方的异步抓取页面怎么搞。

使用示例Swoole\Async::dnsLookup("www.baidu.com", function ($domainName, $ip) {

$cli = new swoole_http_client($ip, 80);

$cli->setHeaders([

'Host' => $domainName,

"User-Agent" => 'Chrome/49.0.2587.3',

'Accept' => 'text/html,application/xhtml+xml,application/xml',

'Accept-Encoding' => 'gzip',

]);

$cli->get('/index.html', function ($cli) {

echo "Length: " . strlen($cli->body) . "\n";

echo $cli->body;

});

});

貌似稍微改造一下同步的file_get_contents代码,就可以实现异步了,看起来成功轻而易举嘛。

于是,我们得到了下面的代码:<?php

/**

* Class Crawler

* Path: /Async/CrawlerV1.php

*/

class Crawler

{

private $url;

private $toVisit = [];

private $loaded = false;

public function __construct($url)

{

$this->url = $url;

}

public function visitOneDegree()

{

$this->visit($this->url, true);

$retryCount = 3;

do {

sleep(1);

$retryCount--;

} while ($retryCount > 0 && $this->loaded == false);

$this->visitAll();

}

private function loadPage($content)

{

$pattern = '#((http|ftp)://(\S*?\.\S*?))([\s)\[\]{},;"\':

preg_match_all($pattern, $content, $matched);

foreach ($matched[0] as $url) {

if (in_array($url, $this->toVisit)) {

continue;

}

$this->toVisit[] = $url;

}

}

private function visitAll()

{

foreach ($this->toVisit as $url) {

$this->visit($url);

}

}

private function visit($url, $root = false)

{

$urlInfo = parse_url($url);

Swoole\Async::dnsLookup($urlInfo['host'], function ($domainName, $ip) use($urlInfo, $root) {

$cli = new swoole_http_client($ip, 80);

$cli->setHeaders([

'Host' => $domainName,

"User-Agent" => 'Chrome/49.0.2587.3',

'Accept' => 'text/html,application/xhtml+xml,application/xml',

'Accept-Encoding' => 'gzip',

]);

$cli->get($urlInfo['path'], function ($cli) use ($root) {

if ($root) {

$this->loadPage($cli->body);

$this->loaded = true;

}

});

});

}

}<?php

/**

* crawler.php

*/

require_once 'Async/CrawlerV1.php';

$start = microtime(true);

$url = 'http://www.swoole.com/';

$ins = new Crawler($url);

$ins->visitOneDegree();

$timeUsed = microtime(true) - $start;

echo "time used: " . $timeUsed;

/* output:

time used: 3.011773109436

*/

结果运行了3秒。注意一下我的实现,在发起抓取首页的请求以后,我会隔一秒轮询一次结果,轮询三次还没有就结束了。这里的3秒好像是轮询了3次还没有结果导致的退出。

看来是我太急躁了,给人家的准备时间还不够充分。好吧,那我们把轮询次数改为10次,看看结果。time used: 10.034232854843

此时我的心情,你懂的。

难道说是swoole的性能问题?为什么10秒还没有结果,难道是我的姿势不对?马克思老人家说过:“实践是检验真理的唯一标准”。看来需要debug一下才知道原因了。

于是,我在$this->visitAll();

和$this->loadPage($cli->body);

两处加了断点。最后发现总是先执行到visitAll(),再去执行loadPage()。

想了一下,大概明白原因了。到底是什么原因呢?

我期望的异步动态模型是这样的:

62bf81872bc75d59af0bf2c97cec43aa.png

然而真实的场景不是这样的。通过调试,我大致了解到实际的模型应该是这样的:

45f261af2c768d9373dd0af8d1486689.png

也就是说,无论我怎么提高重试次数,数据永远不会准备好,数据只有在当前函数准备好以后,才会开始执行,这里的异步,只是减少了准备连接的时间。

那么问题来了,我该如何让程序在准备数据之后执行我期望的功能呢。

先看一下Swoole官方执行异步任务的代码是如何写的$serv = new swoole_server("127.0.0.1", 9501);

//设置异步任务的工作进程数量

$serv->set(array('task_worker_num' => 4));

$serv->on('receive', function($serv, $fd, $from_id, $data) {

//投递异步任务

$task_id = $serv->task($data);

echo "Dispath AsyncTask: id=$task_id\n";

});

//处理异步任务

$serv->on('task', function ($serv, $task_id, $from_id, $data) {

echo "New AsyncTask[id=$task_id]".PHP_EOL;

//返回任务执行的结果

$serv->finish("$data -> OK");

});

//处理异步任务的结果

$serv->on('finish', function ($serv, $task_id, $data) {

echo "AsyncTask[$task_id] Finish: $data".PHP_EOL;

});

$serv->start();

可以看到,官方是通过一个function匿名函数,将后续的执行逻辑传了进去。这么看,事情就变得简单多了。<?php

/**

* Class Crawler

* Path: /Async/Crawler.php

*/

class Crawler

{

private $url;

private $toVisit = [];

public function __construct($url)

{

$this->url = $url;

}

public function visitOneDegree()

{

$this->visit($this->url, function ($content) {

$this->loadPage($content);

$this->visitAll();

});

}

private function loadPage($content)

{

$pattern = '#((http|ftp)://(\S*?\.\S*?))([\s)\[\]{},;"\':

preg_match_all($pattern, $content, $matched);

foreach ($matched[0] as $url) {

if (in_array($url, $this->toVisit)) {

continue;

}

$this->toVisit[] = $url;

}

}

private function visitAll()

{

foreach ($this->toVisit as $url) {

$this->visit($url);

}

}

private function visit($url, $callBack = null)

{

$urlInfo = parse_url($url);

Swoole\Async::dnsLookup($urlInfo['host'], function ($domainName, $ip) use($urlInfo, $callBack) {

if (!$ip) {

return;

}

$cli = new swoole_http_client($ip, 80);

$cli->setHeaders([

'Host' => $domainName,

"User-Agent" => 'Chrome/49.0.2587.3',

'Accept' => 'text/html,application/xhtml+xml,application/xml',

'Accept-Encoding' => 'gzip',

]);

$cli->get($urlInfo['path'], function ($cli) use ($callBack) {

if ($callBack) {

call_user_func($callBack, $cli->body);

}

$cli->close();

});

});

}

}

看了这段代码,竟然有种似曾相识的感觉,在nodejs开发中,随处可见的callback原来是有它的道理的。现在我才突然明白,原来callback的存在就是为了解决异步问题的。

执行了一下程序,竟然只用0.0007s,还没开始就已经结束了!异步的效率真的能提升这么多吗?答案当然是否定的,是我们的代码出问题了。

由于用了异步,没有等任务完全跑完,就已经执行了计算结束的时间的逻辑。看来又到了用callback的时候了。/**

Async/Crawler.php

**/

public function visitOneDegree($callBack)

{

$this->visit($this->url, function ($content) use($callBack) {

$this->loadPage($content);

$this->visitAll();

call_user_func($callBack);

});

}<?php

/**

* crawler.php

*/

require_once 'Async/Crawler.php';

$start = microtime(true);

$url = 'http://www.swoole.com/';

$ins = new Crawler($url);

$ins->visitOneDegree(function () use($start) {

$timeUsed = microtime(true) - $start;

echo "time used: " . $timeUsed;

});

/*output:

time used: 0.068463802337646

*/

现在来看,结果可信多了。

让我们比较一下同步的异步的差距,同步耗时6.26s,异步耗时0.068秒,差了整整6.192s。不,更准确地表述,应该是差了将近10倍!

当然,从效率上讲,异步远远高于同步的代码,但是从逻辑上讲,异步的逻辑比同步更绕,代码中会带来大量的callback,不便于理解。

Swoole官方里有一段关于异步与同步的选择的描述,非常中肯,分享给大家:我们不赞成用异步回调的方式去做功能开发,传统的PHP同步方式实现功能和逻辑是最简单的,也是最佳的方案。像node.js这样到处callback,只是牺牲可维护性和开发效率。

相关阅读:

以上就是本篇文章的所有内容,同学们如果有疑问可以在下方评论区讨论哦~

代码编程
赞赏

相关文章

springBoot + activiti6+在线编辑器 整合 附带flowable的demo
并发编程之两阶段终止模式 保护性暂停 顺序与交替模式 总结
事务实践 手动创建提交事务 复现幻读 枚举类应用
Excel读取并利用工具自动建表 已完善
JS处理小数点后数的方法
笔记_ionic2 app从创建到打包