演示代码
<a href=PHP curl实现多进程并发高效率采集爬虫-python 多进程爬虫">
PHP curl实现多进程并发高效率采集爬虫-多进程爬虫
PHP curl实现多进程并发高效率采集爬虫-php curl 多进程
主要封装函数
multi_process();
根据参数，创建指点数目的子进程。
亮点功能1：子进程各种异常退出，比如segment fault, Allowed memory size exhausted等，中断一个子进程后，父进程会重新fork一个新进程顶上去，保持子进程数量。如果子进程里完成任务（比如判断tid达到10000），可以在子进程里exit(9)，父进程会收到这个退出状态(9)，然后等待所有子进程退出，最后退出自身进程。
亮点功能2：与curl封装函数一起实现了一统计功能，在程序关闭后会显示出一些主要的统计信息(图2的底部)。
mp_counter();
在父进程以及所有子进程之间通信，负责协调分配各子进程的任务，使用了锁机制。可以设置’init’参数重置计数，可以设置每次更新计数的值。
curl_get();
对curl相关函数的封装，加入了大量的错误机制，支持POST,GET,Cookie,Proxy,下载。
mp_msg();
实现规范之一就是，每条任务处理完，只输出一行信息。
亮点功能：这个函数会判断终端的高度和宽度，实现每一屏内容会显示一条统计信息(图1的紫色行)，便于观察程序的执行情况，控制每一行输出的长度，保持一条信息不会超过一行。
rand_exit();
众所周知，PHP存在内在泄露的问题，所以每一个子进程里执行一定次数的任务后就退出，由multi_process()负责自动建立新的子进程(如图1中的绿色行)。
程序效率
本次测试使用的是Vultr的最低配置机器，1 CPU(3.6GHz)，768MB RAM，美国LA机房（一定程度上影响了抓取速度）。
执行了十多分钟后，统计信息如下：
PHP curl实现多进程并发高效率采集爬虫-python 多进程并发
运行期间内存占用统计(while true; do psmem | grep php;sleep 10; done)如下：
PHP curl实现多进程并发高效率采集爬虫-tornado多进程并发
vmstat 1命令结果如下
PHP curl实现多进程并发高效率采集爬虫-python 多进程爬虫
iftop带宽监控如下：
PHP curl实现多进程并发高效率采集爬虫-多进程爬虫
简单点解释下：
50个子进程，执行11分55秒，抓取50951次，按这个速度计算，一天可以抓取615万次。
所有进程（1父进程+50子进程）共占用内存约60MB，占用CPU约20%(1核心)，带宽占用约7-8Mbps。
按上面的性能参数来看，本机再开5倍的子进程数量是可以承受的，但是目标机器承受不了这么大的压力。
不同进程数量的抓取速度对比：
1个进程
PHP curl实现多进程并发高效率采集爬虫-php curl 多进程
10个进程
PHP curl实现多进程并发高效率采集爬虫-python 多进程并发
100个进程
PHP curl实现多进程并发高效率采集爬虫-tornado多进程并发
多进程的封装几乎完美，但curl由于它的功能太过于丰富和强大，可能永远也无法达到完美
代码如下
curl.lib.php
<?php
// 命令行颜色输出
$colors['red'] = "\33[31m";
$colors['green'] = "\33[32m";
$colors['yellow'] = "\33[33m";
$colors['end'] = "\33[0m";
$colors['reverse'] = "\33[7m";
$colors['purple'] = "\33[35m";
/*
默认参数设置
*/
$curl_default_config['ua'] = 'Mozilla/5.0 (compatible; Baiduspider/2.0; +http://www.baidu.com/search/spider.html)';
$curl_default_config['referer'] = '';
$curl_default_config['retry'] = 5;
$curl_default_config['conntimeout'] = 30;
$curl_default_config['fetchtimeout'] = 30;
$curl_default_config['downtimeout'] = 60;
/*
针对指定域名设置referer(通常是用于下载图片)，优先于$curl_default_config
默认使用空referer，一般不会有问题
eg: $referer_config = array(
'img_domain'=>'web_domain',
'e.hiphotos.baidu.com'=>'http://hi.baidu.com/');
*/
$referer_config = array('img1.51cto.com'=>'blog.51cto.com',
'360doc.com'=>'www.360doc.com');
/*
针对指定域名设置User-agent，优先于$curl_default_config
默认使用百度蜘蛛的UA，拒绝百度UA的网站极少
eg: $useragent_config = array(
'web_domain'=>'user agent',
'www.xxx.com'=>'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0)');
*/
$useragent_config = array('hiphotos.baidu.com'=>'Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 6.1; Trident/4.0)');
/*
* 如果机器有多个IP地址，可以改变默认的出口IP，每次调用会在数组中随机选择一个。考虑到可能会有需要排除的IP，所以这里不自动配置为所有的IP。
* eg: $curl_ip_config = array('11.11.11.11', '22.22.22.22');
*/
$local_ip_config = array();
// cookie和临时文件目录
if((@file_exists('/dev/shm/') && @is_writable('/dev/shm/'))){
$cookie_dir = $tmpfile_dir = '/dev/shm/';
}else{
$cookie_dir = $tmpfile_dir = '/tmp/';
}
// 清除过期的cookie文件和下载临时文件
if(php_sapi_name() == 'cli'){
clear_curl_file();
}
/**
* GET方式抓取网页
*
* @param string $url 网页URL地址
* @param string $encode 返回的页面编码，默认为GBK，设置为空值则不转换
* @return string 网页HTML内容
*/
function curl_get($url, $encode='gbk'){
return curl_func($url, 'GET', null, null, null, $encode);
}
/**
* POST方式请求网页
*
* @param string $url 请求的URL地址
* @param array $data 发送的POST数据
* @param string $encode 返回的页面编码，默认为GBK，设置为空值则不转换
* @return bool
*/
function curl_post($url, $data, $encode='gbk'){
return curl_func($url, 'POST', $data, null, null, $encode);
}
/**
* 获取页面的HEADER信息
*
* HTTP状态码并不是以“名称:值”的形式返回，这里以http_code作为它的名称，其他的值都有固定的名称，并且转成小写
*
* @param string $url URL地址
* @return array 返回HEADER数组
*/
function curl_header($url, $follow=true){
$header_text = curl_func($url, 'HEADER');
if(!$header_text){
// 获取HTTP头失败
return FALSE;
}
$header_array =explode("\r\n\r\n", trim($header_text));
if($follow){
$last_header = array_pop($header_array);
}else{
$last_header = array_shift($header_array);
}
$lines = explode("\n", trim($last_header));
// 处理状态码
$status_line = trim(array_shift($lines));
preg_match("/(\d\d\d)/", $status_line, $preg);
if(!empty($preg[1])){
$header['http_code'] = $preg[1];
}else{
$header['http_code'] = 0;
}
foreach ($lines as $line) {
list($key, $val) = explode(':', $line, 2);
$key = str_replace('-', '_', strtolower(trim($key)));
$header[$key] = trim($val);
}
return $header;
}
/**
* 下载文件
*
* @param $url 文件地址
* @param $path 保存到的本地路径
* @return bool 下载是否成功
*/
function curl_down($url, $path, $data=null, $proxy=null){
if(empty($data)){
$method = 'GET';
}else{
$method = 'POST';
}
return curl_func($url, $method, $data, $path, $proxy);
}
/**
* 使用代理发起GET请求
*
* @param string $url 请求的URL地址
* @param string $proxy 代理地址
* @param string $encode 返回编码
*
* @return string 网页内容
*/
function curl_get_by_proxy($url, $proxy, $encode='gbk'){
return curl_func($url, 'GET', null, null, $proxy, $encode);
}
/**
* 使用代理发起POST请求
*
* @param string $url 请求的URL地址
* @param string $proxy 代理地址
* @param string $encode 返回编码
*
* @return string 网页内容
*/
function curl_post_by_proxy($url, $data, $proxy, $encode='gbk'){
return curl_func($url, 'POST', $data, null, $proxy, $encode);
}
/**
* @param string $url 请求的URL地址
* @param string $encode 返回编码
*
* @return string 网页内容
*/
function img_down($url, $path_pre){
$img_tmp = '/tmp/curl_imgtmp_pid_'.getmypid();
$res = curl_down($url, $img_tmp);
if(empty($res)){
return $res;
}
$ext = get_img_ext($img_tmp);
if(empty($ext)){
return NULL;
}
$path = "{$path_pre}.{$ext}";
@mkdir(dirname($path), 0777, TRUE);
// 转移临时的文件路径
rename($img_tmp, $path);
return $path;
}
function get_img_ext($path){
$types = array(
1 => 'gif',
2 => 'jpg',
3 => 'png',
6 => 'bmp'
);
$info = @getimagesize($path);
if(isset($types[$info[2]])){
$ext = $info['type'] = $types[$info[2]];
$ext == 'jpeg' && $ext = 'jpg';
} else{
$ext = FALSE;
}
return $ext;
}
/**
* 获取文件类型
*
* @param string $filepath 文件路径
* @return array 返回数组，格式为array($type, $ext)
*/
function get_file_type($filepath){
}
/**
* 返回文件的大小，用于下载文件后判断与本地文件大小是否相同
* curl_getinfo()方式获得的size_download并不一定是文件的真实大小
*
* @param string $url URL地址
* @return string 网络文件的大小
*/
function get_file_size($url){
$header = curl_header($url);
if(!empty($header['content_length'])){
return $header['content_length'];
}else{
return FALSE;
}
}
/**
* 获取状态码
*
* @param string $url URL地址
* @return string 状态码
*/
function get_http_code($url, $follow=true){
$header = curl_header($url, $follow);
if(!empty($header['http_code'])){
return $header['http_code'];
}else{
return FALSE;
}
}
/**
* 获取URL文件后缀
*
* @param string $url URL地址
* @return array 文件类型的后缀
*/
function curl_get_ext($url){
$header = curl_header($url);
if(!empty($header['content_type'])){
@list($type, $ext) = @explode('/', $header['content_type']);
if(!empty($type) && !empty($ext)){
return array($type, $ext);
}else{
return array('', '');
}
}else{
return array('', '');
}
}
/**
* 封装curl操作
*
* @param string $url 请求的URL地址
* @param string $method 请求的方法(POST, GET, HEADER, DOWN)
* @param mix $arg POST方式为POST数据，DOWN方式时为下载保存的路径
* @param string $return_encode 网页返回的编码
* @param string $proxy 代理
* @return mix 返回内容。4xx序列错误和空白页面会返回NULL，curl抓取错误返回False。结果正常则返回页面内容。
*/
// 待改进，下载到临时文件，下载成功后再转移（已经有文件则覆盖），下载失败则删除。
// 待改进，参数形式改成curl_func($url, $method, $data=null, savepath=null, $proxy=null, $return_encode='gbk')
function curl_func($url, $method, $data=null, $savepath=null, $proxy=null, $return_encode=null){
global $colors, $cookie_dir, $tmpfile_dir, $referer_config, $useragent_config, $local_ip_config, $curl_config;
// 控制台输出颜色
extract($colors);
// 去除URL中的/../
$url = get_absolute_path($url);
// 去除实体转码
$url = htmlspecialchars_decode($url);
// 统计数据
if(function_exists('mp_counter')){
if(!empty($savepath)){
mp_counter('down_total'); // 下载次数计数
}elseif($method == 'HEADER'){
mp_counter('header_total'); // 抓取HTTP头次数计数
}else{
mp_counter('fetch_total'); // 抓取网页次数计数
}
}
for($i = 0; $i < curl_config_get('retry'); $i++){
// 初始化
$ch = curl_init();
curl_setopt($ch, CURLOPT_URL, $url);
// 设置超时
curl_setopt($ch, CURLOPT_CONNECTTIMEOUT, curl_config_get('conntimeout')); // 连接超时
if(empty($savepath)){
curl_setopt($ch, CURLOPT_TIMEOUT, curl_config_get('fetchtimeout')); // 抓取网页(包括HEADER)超时
}else{
curl_setopt($ch, CURLOPT_TIMEOUT, curl_config_get('downtimeout')); // 下载文件超时
}
// 接收网页内容到变量
curl_setopt($ch, CURLOPT_RETURNTRANSFER, TRUE);
// 忽略SSL验证
curl_setopt($ch, CURLOPT_SSL_VERIFYHOST, 0);
curl_setopt($ch, CURLOPT_SSL_VERIFYPEER, 0);
// 设置referer, 在文件里配置的优先级最高
foreach($referer_config as $domain=>$ref){
if(stripos($url, $domain) !== FALSE){
$referer = $ref;
break;
}
}
// 检查是否有通过curl_set_referer()设置referer
if(empty($referer) && !empty($curl_config[getmypid()]['referer'])){
$referer = $curl_config[getmypid()]['referer'];
}
if(!empty($referer)){
curl_setopt($ch, CURLOPT_REFERER, $referer);
}
// 设置HTTP请求标识，在文件里配置的优先级最高
foreach($useragent_config as $domain=>$ua){
if(stripos($url, $domain) !== FALSE){
$useragent = $ua;
break;
}
}
// 检查是否有通过curl_set_ua()设置useragent
if(empty($useragent)){
$useragent = curl_config_get('ua');
}
curl_setopt($ch, CURLOPT_USERAGENT, $useragent);
// 出口IP
if(!empty($local_ip_config)){
curl_setopt($ch, CURLOPT_INTERFACE, $local_ip_config[array_rand($local_ip_config)]);
}
// 设置代理
if(!empty($proxy)){
curl_setopt($ch, CURLOPT_PROXY, $proxy);
curl_setopt($ch, CURLOPT_PROXYTYPE, CURLPROXY_SOCKS5);
}
// 设置允许接收gzip压缩数据，以及解压，抓取HEADER时不使用(获取不到正确的文件大小，影响判断下载成功)
if($method != 'HEADER') {
curl_setopt($ch, CURLOPT_HTTPHEADER, array('Accept-Encoding: gzip, deflate'));
curl_setopt($ch, CURLOPT_ENCODING, "");
}
// 遇到301和302转向自动跳转继续抓取，如果用于WEB程序并且设置了open_basedir，这个选项无效
@curl_setopt($ch, CURLOPT_FOLLOWLOCATION, TRUE);
// 最大转向次数，避免进入到死循环
curl_setopt($ch, CURLOPT_MAXREDIRS, 5);
// 启用cookie
$cookie_path = $cookie_dir . 'curl_cookie_pid_' . get_ppid();
curl_setopt($ch, CURLOPT_COOKIEFILE, $cookie_path);
curl_setopt($ch, CURLOPT_COOKIEJAR, $cookie_path);
// 设置post参数内容
if($method == 'POST'){
curl_setopt($ch, CURLOPT_HEADER, 0);
curl_setopt($ch, CURLOPT_POSTFIELDS, $data);
}
// 设置用于下载的参数
if(!empty($savepath)){
$tmpfile = $tmpfile_dir . '/curl_tmpfile_pid_'.getmypid();
file_exists($tmpfile) && unlink($tmpfile);
$fp = fopen($tmpfile, 'w');
curl_setopt($ch, CURLOPT_FILE, $fp);
}
// 仅获取header
if($method == 'HEADER'){
curl_setopt($ch, CURLOPT_NOBODY, TRUE);
curl_setopt($ch, CURLOPT_HEADER, TRUE);
}
// 抓取结果
$curl_res = curl_exec($ch);
// curl info
$info = curl_getinfo($ch);
// 调试curl时间，记录连接时间，等待时间，传输时间，总时间。
// 测试方法，任何输出前设置sleep，输出中间设置sleep
/*
foreach($info as $key=>$val){
echo "$key:$val\n";
}
exit(9);
*/
// 错误信息
$error_msg = curl_error($ch);
$error_no = curl_errno($ch);
// 关闭CURL句柄
curl_close($ch);
// 如果CURL有错误信息则判断为抓取失败，重试
if(!empty($error_no) || !empty($error_msg)){
$error_msg = "{$error_msg}($error_no)";
curl_msg($error_msg, $method, $url, 'yellow');
continue;
}
// 统计流量
if(function_exists('mp_counter')){
if(!empty($info['size_download']) && $info['size_download'] > 0){
mp_counter('download_total', $info['size_download']);
}
}
// 对结果进行处理
if($method == 'HEADER'){
// 返回header信息
return $curl_res;
}else{
// 最终的状态码
$status_code = $info['http_code'];
if(in_array($status_code, array_merge(range(400, 417), array(500, 444)))){
// 非服务器故障性的错误，直接退出，返回NULL
$error_msg = $status_code;
if(!empty($savepath)){
$method = "{$method}|DOWN";
}
curl_msg($error_msg, $method, $url, 'red');
return NULL;
}if($status_code != 200){
// 防止网站502等临时错误，排除了上面的情况后，非200就重试。这一条规则需要后续根据情况来改进。
// curl执行过程中会自动跳转，这里不会出现301和302，除非跳转次数超过CURLOPT_MAXREDIRS的值
$error_msg = $status_code;
curl_msg($error_msg, $method, $url, 'yellow');
continue;
}
if(empty($savepath)){
// 抓取页面
if(empty($curl_res)){
// 空白页面
$error_msg = "blank page";
// 返回NULL值，调用处注意判断
return NULL;
}else{
// 默认将页面以GBK编码返回
// 分析页面编码
preg_match_all("/<meta.*?charset=(\"|'?)(.*?)(;|\"|'|\s)/is", $curl_res, $matches);
// 转码条件：1)匹配到编码, 2)返回编码不为空, 3）匹配到的编码和返回编码不相同
if(!empty($matches[2][0]) && !empty($return_encode)
&& str_replace('-', '', strtolower($matches[2][0]))
!= str_replace('-', '', strtolower($return_encode))){
$curl_res = @iconv($matches[2][0], "{$return_encode}//IGNORE", $curl_res);
// 替换网页标明的编码
$curl_res = str_ireplace($matches[2][0], $return_encode, $curl_res);
}
// iconv如果失败则返回空白页
if(empty($curl_res)){
return NULL;
}else{
// 将相对路径转换为绝对路径
$curl_res = relative_to_absolute($curl_res, $url);
return $curl_res;
}
}
}else{
// 下载文件
if(@filesize($tmpfile) == 0){
$error_msg = 'Emtpy Content';
continue;
}
// 统计下载文件量
if(function_exists('mp_counter')){
mp_counter('download_size', filesize($tmpfile));
}
// 创建目录
@mkdir(dirname($savepath), 0777, TRUE);
// 转移临时的文件路径
rename($tmpfile, $savepath);
return TRUE;
}
}
}
// 如果是下载或者抓取header，并且错误代码为6(域名无法解析)，则不输出错误。失效的图片引用太多了。
// 域名不合法的时候也无法输出错误了，需要改进，在前面判断URL的合法性
if(!(($method == 'HEADER' || !empty($savepath)) && !empty($error_no) && $error_no == 6)){
if(!empty($savepath)){
$method = "{$method}|DOWN";
}
curl_msg($error_msg, $method, $url, 'red');
}
// 统计数据
if(function_exists('mp_counter')){
if(!empty($savepath)){
mp_counter('down_failed');
}elseif($method == 'HEADER'){
mp_counter('header_failed');
}else{
mp_counter('fetch_failed');
}
}
return FALSE;
}
/**
* 输出错误信息
*
* @param string $msg 错误信息
* @param string $method 请求方式
* @param string $url URL地址
* @param string $color 颜色
*/
function curl_msg($msg, $method, $url, $color){
global $colors;
extract($colors);
// 多并发下建议关闭黄色错误输出
//$available_msg[] = 'yellow';
$available_msg[] = 'red';
if(php_sapi_name() != 'cli'){
return;
}
if(!in_array($color, $available_msg)){
return;
}
echo "{$reverse}".$colors[$color]."({$method})[cURL ERROR: {$msg}] {$url}{$end}\n";
}
/**
* 将URL地址转换为绝对路径
* URL地址有可能会遇到包含'/../'构成的相对路径，curl不会自动转换
* echo get_absolute_path("http://www.a.com/a/../b/../c/../././index.php");
* 结果为：http://www.a.com/index.php
*
* @param string $path 需要处理的URL
* @return string 返回URL的绝对路径
*/
function get_absolute_path($path) {
$parts = array_filter(explode('/', $path), 'strlen');
$absolutes = array();
foreach ($parts as $part) {
if ('.' == $part) continue;
if ('..' == $part) {
array_pop($absolutes);
} else {
$absolutes[] = $part;
}
}
return str_replace(':/', '://', implode('/', $absolutes));
}
/**
* 使用图片URL的md5值作为路径，并且分级目录
* 深度为e时，伪静态规则为rewrite ^/(.)(.)(.)(.*)$ /$1/$2/$3/$4 break;
* 平均1篇文章1张图片，三千万文章，三千万图片，3级目录最终4096子目录，平均每目录7324个图片
*
* @param string $str 原图片地址
* @param int $deep 目录深度
* @return string 返回分级目录
*/
function md5_path($str, $deep = 3){
$md5 = substr(md5($str), 0, 16);
preg_match_all('/./', $md5, $preg);
$res = '';
for($i = 0; $i < count($preg[0]); $i++){
$res .= $preg[0][$i];
if($i < $deep){
$res .= '/';
}
}
return $res;
}
function relative_to_absolute($content, $url) {
$content = preg_replace("/src\s*=\s*\"\s*/", 'src="', $content);
$content = preg_replace("/href\s*=\s*\"\s*/", 'href="', $content);
preg_match("/(http|https|ftp):\/\/[^\/]*/", $url, $preg_base);
if(!empty($preg_base[0])){
// $preg_base[0]内容如http://www.yundaiwei.com
// 这里处理掉以/开头的链接，也就是相对于网站根目录的路径
$content = preg_replace('/href=\s*"\//i', 'href="'.$preg_base[0].'/', $content);
$content = preg_replace('/src=\s*"\//ims', 'src="'.$preg_base[0].'/', $content);
}
preg_match("/(http|https|ftp):\/\/.*\//", $url, $preg_full);
if(!empty($preg_full[0])){
// 这里处理掉相对于目录的路径，如src="../../images/jobs/lippman.gif"
// 排除掉file://开头的本地文件链接，排除掉data:image方式的BASE64图片
$content = preg_replace('/href=\s*"\s*(?!http|file:\/\/|data:image|javascript)/i', 'href="'.$preg_full[0], $content);
$content = preg_replace('/src=\s*"\s*(?!http|file:\/\/|data:image|javascript)/i', 'src="'.$preg_full[0], $content);
}
return $content;
}
/**
* 清除过期的cookie文件和下载临时文件
*/
function clear_curl_file(){
global $cookie_dir;
$cookie_files = glob("{$cookie_dir}curl_*_pid_*");
$tmp_files = glob("/tmp/curl_*_pid_*");
$files = array_merge($cookie_files, $tmp_files);
foreach($files as $file){
preg_match("/pid_(\d*)/", $file, $preg);
$pid = $preg[1];
$exe_path = "/proc/{$pid}/exe";
// 如果文件不存在则说明进程不存在，判断是否为PHP进程，排除php-fpm进程
if(!file_exists($exe_path)
|| stripos(readlink($exe_path), 'php') === FALSE
|| stripos(readlink($exe_path), 'php-fpm') === TRUE){
$sem = @sem_get(@ftok($file, 'a'));
if($sem){
@sem_remove($sem);
}
unlink($file);
}
}
}
/**
* 如果是在子进程中，获取父进程PID，否则获取自身PID
* @return int
*/
if(!function_exists('get_ppid')){
function get_ppid(){
if(php_sapi_name() != 'cli'){
// 如果是web方式调用，返回PHP执行进程PID，如APACHE或者PHP-FPM
getmypid();
}else{
// 命令行执行进入到这里
// 这里需要识别出是在子进程中调用还是在父进程中调用，不同的形式，保存的变量内容的文件位置需要保持一致
$ppid = posix_getppid();
// 理论上，这种判断方式可能会出坑。但在实际使用中，除了fork出的子进程外，不太可能让PHP进程的父进程的程序名中出现php字样。
if(strpos(readlink("/proc/{$ppid}/exe"), 'php') === FALSE){
$pid = getmypid();
}else{
$pid = $ppid;
}
return $pid;
}
}
}
// UTF-8转GBK
if(!function_exists('u2g')){
function u2g($string){
return @iconv("UTF-8", "GBK//IGNORE", $string);
}
}
// GBK转UTF-8
if(!function_exists('g2u')) {
function g2u($string)
{
return @iconv("GBK", "UTF-8//IGNORE", $string);
}
}
function curl_rand_ua_pc(){
$ua = 'Mozilla/5.0 (compatible; MSIE '.rand(7, 9).
'.0; Windows NT 6.1; WOW64; Trident/'.rand(4, 5).'.0)';
return $ua;
}
function curl_rand_ua_mobile(){
$op = 'Mozilla/5.0 (Linux; U; Android '.rand(4,5).'.'.rand(1,5).'.'.rand(1,5).'; zh-cn; MI '.rand(3, 5).');';
$browser = 'AppleWebKit/'.rand(500, 700).'.'.rand(1,100).'.'.rand(1,100)
.' (KHTML, like Gecko) Version/'.rand(5,10)
.'.0 Mobile Safari/537.36 XiaoMi/MiuiBrowser/'.rand(1,5).'.'.rand(1,5).'.'.rand(1,5);
return $op.$browser;
}
function curl_config_get($key){
global $curl_config, $curl_default_config;
if(!empty($curl_config[getmypid()][$key])){
return $curl_config[getmypid()][$key];
}elseif(!empty($curl_default_config[$key])){
return $curl_default_config[$key];
}else{
echo '$curl_default_config'."[$key] Not Found!\n";
exit(9);
}
}
function curl_config_set($key, $val){
global $curl_config;
$curl_config[getmypid()][$key] = $val;
}
function curl_set_ua($ua){
curl_config_set('ua', $ua);
}
function curl_set_referer($referer){
curl_config_set('referer', $referer);
}
function curl_set_retry($retry){
curl_config_set('retry', $retry);
}
function curl_set_conntimeout($conntimeout){
curl_config_set('conntimeout', $conntimeout);
}
function curl_set_fetchtimeout($fetchtimeout){
curl_config_set('fetchtimeout', $fetchtimeout);
}
function curl_set_downtimeout($downtimeout){
curl_config_set('downtimeout', $downtimeout);
}process.lib.php
<?php
if(php_sapi_name() != 'cli'){
return;
}
declare(ticks = 1);
// 中断信号
$signals = array(
SIGINT => "SIGINT",
SIGHUP => "SIGHUP",
SIGQUIT => "SIGQUIT"
);
// 命令行颜色输出
$colors['red'] = "\33[31m";
$colors['green'] = "\33[32m";
$colors['yellow'] = "\33[33m";
$colors['end'] = "\33[0m";
$colors['reverse'] = "\33[7m";
$colors['purple'] = "\33[35m";
$colors['cyan'] = "\33[36m";
// 程序开始运行时间
$start_time = time();
// 父进程PID
$fpid = getmypid();
// 文件保存目录，/dev/shm/是内存空间映射到硬盘上，IO速度快。
// 有些环境上可能会没有这个目录，比如OpenVZ的VPS，这个路径实际是在硬盘上
if(file_exists('/dev/shm/') && is_dir('/dev/shm/')){
$process_file_dir = '/dev/shm/';
}else{
$process_file_dir = '/tmp/';
}
// 清理过期资源(文件和SEM信号锁)，每次程序执行都需要调用，清除掉之前执行时的残留文件。
clear_process_resource();
// 判断是否在子进程中
function is_subprocess(){
global $fpid;
if(getmypid() != $fpid){
return true;
}else{
return false;
}
}
/**
* 多进程计数
*
* 1,用于多进程运行时的任务分配与计数，比如要采集某DZ论坛的帖子，则可以将计数器用于/thread-tid-1-1.html中
* 的tid，实现进程间的协调工作
* 2,由于shm_*系列函数的操作不够灵活，所以这里主要用于/proc/和/dev/shm/这二个目录来实现数据的读写（内存操
* 作，不受硬盘IO性能影响），用semaphore信号来实现锁定和互斥机制
* 3,编译PHP时需要使用参数--enable-sysvmsg安装所需的模块
*
* @param string $countername 计数器名称
* @param mix $update 计数器的更新值，如果是'init'，计数器则被初始化为0
* @return int 返回计数
*/
function mp_counter($countername, $update=1){
global $process_file_dir;
$time = date('Y-m-d H:i:s');
// 父进程PID或者自身PID
$top_pid = get_ppid();
// 系统启动时间
$sysuptime = get_sysuptime();
// 进程启动时间
$ppuptime = get_ppuptime($top_pid);
// 由父进程ID确定变量文件路径前缀
$path_pre = "{$process_file_dir}mp_counter_{$countername}_pid_{$top_pid}_";
// 由于系统启动时间和当前父进程启动时间(jiffies格式)确定计数使用的文件
$cur_path = "{$path_pre}btime_{$sysuptime}_ptime_{$ppuptime}";
// 更新计数，先锁定
$lock = sem_lock();
if(!file_exists($cur_path)){
// 调试代码。个别系统上启动时间会变化，造成文件路径跟随变化，最终导致计数归0。
// $log = "[{$time}] - {$countername}($cur_path) - init\n";
// file_put_contents('/tmp/process.log', $log, FILE_APPEND);
$counter = 0;
}else{
// 理论上在这里，文件是一定存在的
$counter = file_get_contents($cur_path);
}
// 更新记数, 继续研究下判断init不能用==
if($update === 'init'){
// 如果接收到更新值为init,或者变量文件不存在，则将计数初始化为0。
$new_counter = 0;
}else{
$new_counter = $counter + $update;
}
// 写入计数，解锁
file_put_contents($cur_path, $new_counter);
sem_unlock($lock);
return $new_counter;
}
/**
* 创建多进程
*
* 1,通过mp_counter()函数实现进程间的任务协调
* 2,由于PHP进程可能会由于异常而退出(主要是segment fault)，并且由于处理内存泄露的问题需要子进程主动退出，本函数可以实现自动建立
* 新的进程，使子进程数量始终保持在$num的数量
* 3,编译PHP时需要使用参数--enable-pcntl安装所需的模块
* 4,如果在子进程中调用了exit(9)，那么主进程和所有子进程都将退出
*
* @param int $num 进程数量
* @param bool $stat 结束后是否输出统计信息
*/
function multi_process($num, $stat=FALSE){
global $colors, $signals;
extract($colors);
if(empty($num)){
$num = 1;
}
// 记录进程数量，统计用
mp_counter('process_num', 'init');
mp_counter('process_num', $num);
// 子进程数量
$child = 0;
// 任务完成标识
$task_finish = FALSE;
while(TRUE) {
// 清空子进程退出状态
unset($status);
// 如果任务未完成，并且子进程数量没有达到最高，则创建
if ($task_finish == FALSE && $child < $num) {
$pid = pcntl_fork();
if ($pid) {
// 有PID，这里是父进程
$child++;
// 注册父进程的信号处理函数
if($stat){
foreach ($signals as $signal => $name) {
if (!pcntl_signal($signal, "signal_handler")) {
die("Install signal handler for {$name} failed");
}
}
}
//$stat && pcntl_signal(SIGINT, "signal_handler");
echo "{$reverse}{$green}[+]New Process Forked: {$pid}{$end}\n";
mp_counter('t_lines', -1);
} else {
// fork后，子进程将进入到这里
// 1,注册一个信号，处理函数直接exit()，目的是让子进程不进行任何处理，仅由主进程处理这个信号
// 2,貌似不单独为子进程注册信号的话，子进程将使用父进程的处理函数
$stat && pcntl_signal(SIGINT, "sub_process_exit");
// 注册信号后直接返回，继续处理主程序的后续部分。
return;
}
}
// 子进程管理部分
if($task_finish){
// 如果任务已经完成
if ($child > 0) {
// 如果还有子进程未退出，则等待，否则退出
pcntl_wait($status);
$child--;
} else {
// 所有子进程退出，父进程退出
// 统计信息
$stat && final_stat();
// 这里修改，父进程不退出，改为返回，继续处理后续任务，如删除文件
//exit();
return;
}
}else{
// 如果任务未完成
if($child >= $num){
// 子进程已经达到数量，等待子进程退出
pcntl_wait($status);
$child--;
}else{
// 子进程没有达到数量，下一循环继续创建
}
}
// 子进程退出状态码为9时，则判断为所有任务完成，然后等待所有子进程退出
if(!empty($status) && pcntl_wexitstatus($status) == 9){
$task_finish = TRUE;
}
}
}
/**
* 检查同一脚本是否已经在运行，确保只有一个实例运行
* @return bool
*/
function single_process(){
if(get_ppid() !== getmypid()){
echo "Fatal Error: Can't call single_process() in child process!\n";
exit(9);
}
$self = get_path();
$files = glob("/proc/*/exe");
foreach($files as $exe_path){
if(stripos(@readlink($exe_path), 'php') !== FALSE
&& stripos(readlink($exe_path), 'php-fpm') === FALSE){
// 如果是PHP进程，进入到这里
preg_match("/\/proc\/(\d+)\/exe/", $exe_path, $preg);
if(!empty($preg[1]) && get_path($preg[1]) == $self && $preg[1] != getmypid()){
exit("Fatal Error: This script is already running!\n");
}
}
}
return TRUE;
}
/**
* 获取脚本自身的绝对路径，要求必须以php foo.php的方式运行
* @param int $pid
* @return string
*/
function get_path($pid=0){
if($pid == 0){
$pid = get_ppid();
}
$cwd = @readlink("/proc/{$pid}/cwd");
$cmdline = @file_get_contents("/proc/{$pid}/cmdline");
preg_match("/php(.*?\.php)/", $cmdline, $preg);
if(empty($preg[1])){
return FALSE;
}else{
$script = $preg[1];
}
if(strpos($script, '/') === FALSE || strpos($script, '..') !== FALSE){
$path = "{$cwd}/{$script}";
}else{
$path = $script;
}
$path = realpath(strval(str_replace("\0", "", $path)));
if(!file_exists($path)){
exit("Fatal Error: Can't located php script path!\n");
}
return $path;
}
function final_stat(){
global $colors;
extract($colors);
// 时间统计
global $start_time;
$usetime = time() - $start_time;
$usetime < 1 && $usetime = 1;
$H = floor($usetime / 3600);
$i = ($usetime / 60) % 60;
$s = $usetime % 60;
$str_usetime = sprintf("%02d hours, %02d minutes, %02d seconds", $H, $i, $s);
echo "\n{$green}========================================================================\n";
echo " All Task Done! Used Time: {$str_usetime}({$usetime}s).\n";
// curl抓取统计
$fetch_total = mp_counter('fetch_total', 0);
$fetch_success = $fetch_total - mp_counter('fetch_failed', 0);
$down_total = mp_counter('down_total', 0);
$down_success = $down_total - mp_counter('down_failed', 0);
$header_total = mp_counter('header_total', 0);
$header_success = $header_total - mp_counter('header_failed', 0);
$download_size = hs(mp_counter('download_size', 0));
echo " Request Stat: Fetch({$fetch_success}/{$fetch_total}), Header({$header_success}/{$header_total}), ";
echo "Download({$down_success}/{$down_total}, {$download_size}).\n";
// curl流量统计
$bw_in = hs(mp_counter('download_total', 0));
$rate_down = hbw(mp_counter('download_total', 0) / $usetime);
echo " Bandwidth Stat(rough): Total({$bw_in}), Rate($rate_down).\n";
// 效率统计
$process_num = mp_counter('process_num', 0);
$fetch_rps = hnum($fetch_success / $usetime);
$fetch_rph = hnum($fetch_success * 3600 / $usetime);
$fetch_rpd = hnum($fetch_success * 3600 * 24 / $usetime);
echo " Efficiency: Process({$reverse}{$process_num}{$end}{$green}), Second({$fetch_rps}), ";
echo "Hour({$fetch_rph}), Day({$reverse}{$fetch_rpd}{$end}{$green}).\n";
echo "========================================================================{$end}\n";
}
/**
* @param $signal
*/
function signal_handler($signal) {
global $colors, $signals;
extract($colors);
if(array_key_exists($signal, $signals)){
kill_all_child();
echo "\n{$cyan}Ctrl + C caught, quit!{$end}\n";
final_stat();
exit();
}
}
function sub_process_exit(){
exit(9);
}
function hnum($num){
if($num < 10){
$res = round($num, 1);
}elseif($num < 10000){
$res = floor($num);
}elseif($num < 100000){
$res = round($num/10000, 1) . 'w';
}else{
$res = floor($num/10000) . 'w';
}
return $res;
}
/**
* 人性化显示带宽速率
*
* @param $size byte字节数
* @return string
*/
function hbw($size) {
$size *= 8;
if($size > 1024 * 1024 * 1024) {
$rate = round($size / 1073741824 * 100) / 100 . ' Gbps';
} elseif($size > 1024 * 1024) {
$rate = round($size / 1048576 * 100) / 100 . ' Mbps';
} elseif($size > 1024) {
$rate = round($size / 1024 * 100) / 100 . ' Kbps';
} else {
$rate = round($size) . ' Bbps';
}
return $rate;
}
/**
* 人性化显示数据量
*
* @param $size
* @return string
*/
function hs($size) {
if($size > 1024 * 1024 * 1024) {
$size = round($size / 1073741824 * 100) / 100 . ' GB';
} elseif($size > 1024 * 1024) {
$size = round($size / 1048576 * 100) / 100 . ' MB';
} elseif($size > 1024) {
$size = round($size / 1024 * 100) / 100 . ' KB';
} else {
$size = round($size) . ' Bytes';
}
return $size;
}
/**
* 杀死所有子进程
*/
function kill_all_child(){
$ppid = getmypid();
$files = glob("/proc/*/stat");
foreach($files as $file){
if(is_file($file)){
$sections = explode(' ', file_get_contents($file));
if($sections[3] == $ppid){
posix_kill($sections[0], SIGTERM);
}
}
}
}
if(!function_exists('get_ppid')){
function get_ppid(){
// 这里需要识别出是在子进程中调用还是在父进程中调用，不同的形式，保存的变量内容的文件位置需要保持一致
$ppid = posix_getppid();
// 理论上，这种判断方式可能会出坑。但在实际使用中，除了fork出的子进程外，不太可能让PHP进程的父进程的程序名中出现php字样。
if(strpos(readlink("/proc/{$ppid}/exe"), 'php') === FALSE){
$pid = getmypid();
}else{
$pid = $ppid;
}
return $pid;
}
}
// 以进程(多进程运行时，使用父进程)为单位，每个进程使用一个锁。
function sem_lock($lock_name=NULL){
global $process_file_dir;
$pid = get_ppid();
if(empty($lock_name)){
$lockfile = "{$process_file_dir}sem_keyfile_main_pid_{$pid}";
}else{
$lockfile = "{$process_file_dir}sem_keyfile_{$lock_name}_pid_{$pid}";
}
if(!file_exists($lockfile)){
touch($lockfile);
}
$shm_id = sem_get(ftok($lockfile, 'a'), 1, 0600, true);
if(sem_acquire($shm_id)){
return $shm_id;
}else{
return FALSE;
}
}
// 解除锁
function sem_unlock($shm_id){
sem_release($shm_id);
}
// 清理资源(文件和SEM信号锁)
function clear_process_resource(){
global $process_file_dir;
// 清除sem的文件和信号量
$files = glob("{$process_file_dir}sem_keyfile*pid_*");
foreach($files as $file){
preg_match("/pid_(\d*)/", $file, $preg);
$pid = $preg[1];
$exe_path = "/proc/{$pid}/exe";
// 如果文件不存在则说明进程不存在，判断是否为PHP进程，排除php-fpm进程
if(!file_exists($exe_path)
|| stripos(readlink($exe_path), 'php') === FALSE
|| stripos(readlink($exe_path), 'php-fpm') === TRUE){
$sem = @sem_get(@ftok($file, 'a'));
if($sem){
@sem_remove($sem);
}
@unlink($file);
}
}
// 清除mp_counter的文件（仅此类型文件不可重用，所以严格处理，匹配系统启动时间和进程启动时间）
$files = glob("{$process_file_dir}mp_counter*");
foreach($files as $file){
preg_match("/pid_(\d*)_btime_(\d*)_ptime_(\d*)/", $file, $preg);
$pid = $preg[1];
$btime = $preg[2];
$ptime = $preg[3];
$exe_path = "/proc/{$pid}/exe";
// 清除文件
if(!file_exists($exe_path)
|| stripos(readlink($exe_path), 'php') === FALSE
|| stripos(readlink($exe_path), 'php-fpm') === TRUE
|| $btime != get_sysuptime()
|| $ptime != get_ppuptime($pid)){
@unlink($file);
}
}
}
// 系统启动时间
function get_sysuptime(){
preg_match("/btime (\d+)/", file_get_contents("/proc/stat"), $preg);
return $preg[1];
}
// 如果是在子进程中调用，则取父进程的启动时间。如果不是在子进程中调用，则取自身启动时间。时间都是jiffies格式。
function get_ppuptime($pid){
$stat_sections = explode(' ', file_get_contents("/proc/{$pid}/stat"));
return $stat_sections[21];
}
// 防止PHP进程内存泄露，每个子进程执行完一定数量的任务就退出。
function rand_exit($num=100){
if(rand(floor($num*0.5), floor($num*1.5)) === $num){
exit();
}
}
// 单次的任务结果输出函数
function mp_msg(){
global $start_time, $colors;
extract($colors);
// 整理统计信息
$msg = date('[H:i:s]');
$max = 0;
$msg_array = func_get_args();
foreach($msg_array as $key=>$val){
$val = preg_replace("/\s{2,}/", ' ', $val);
$msg_array[$key] = $val;
if(is_int($key)){
$msg .= " $val";
}else{
$msg .= " {$key}:$val";
}
if(strlen($val) > strlen($msg_array[$max])){
$max = $key;
}
}
// cron方式运行
if(empty($_SERVER['SSH_TTY'])){
$msg = preg_replace("/\\\33\[\d\dm/", '', $msg);
echo "{$msg}\n";
return;
}
$lock = sem_lock('mp_msg');
$t_lines = mp_counter('t_lines', -1);
if($t_lines <= 1){
mp_counter('t_lines', 'init');
mp_counter('t_lines', shell_exec('tput lines'));
mp_counter('t_cols', 'init');
mp_counter('t_cols', shell_exec('tput cols'));
}
sem_unlock($lock);
$t_cols = mp_counter('t_cols', 0);
$msg_len = strlen($msg);
if($msg_len > $t_cols){
$cut_len = strlen($msg_array[$max]) - ($msg_len - $t_cols);
$msg = str_replace($msg_array[$max], substr($msg_array[$max], 0, $cut_len), $msg);
}
echo "{$msg}\n";
if($t_lines <= 1){
$usetime = time() - $start_time;
$usetime < 1 && $usetime = 1;
$H = floor($usetime / 3600);
$i = ($usetime / 60) % 60;
$s = $usetime % 60;
$str_usetime = sprintf("%02d:%02d:%02d", $H, $i, $s);
$process_num = mp_counter('process_num', 0);
$fetch_total = mp_counter('fetch_total', 0);
$fetch_success = $fetch_total - mp_counter('fetch_failed', 0);
$fetch = hnum($fetch_success);
$fetch_all = hnum($fetch_total);
$fetch_rpd = hnum($fetch_success * 3600 * 24 / $usetime);
echo "{$reverse}{$purple}";
echo "Stat: Time({$str_usetime}) Process({$process_num}) Fetch({$fetch}/{$fetch_all}) Day({$fetch_rpd})";
echo "{$end}\n";
flush();
}
}http://cncc.bingj.com/cache.aspx?q=%E6%9C%AC%E6%AC%A1%E6%B5%8B%E8%AF%95%E4%BD%BF%E7%94%A8%E7%9A%84%E6%98%AFVultr%E7%9A%84%E6%9C%80%E4%BD%8E%E9%85%8D%E7%BD%AE%E6%9C%BA%E5%99%A8%EF%BC%8C1+CPU(3.6GHz)%EF%BC%8C768MB+RAM%EF%BC%8C%E7%BE%8E%E5%9B%BDLA%E6%9C%BA%E6%88%BF%EF%BC%88%E4%B8%80%E5%AE%9A%E7%A8%8B%E5%BA%A6%E4%B8%8A%E5%BD%B1%E5%93%8D%E4%BA%86%E6%8A%93%E5%8F%96%E9%80%9F%E5%BA%A6%EF%BC%89%E3%80%82&d=4853353511979618&mkt=zh-CN&setlang=zh-CN&w=aBSydzmZtAifDJsfYbAFxGjxQiGJlaFY
评论回复