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。
网站名称：php采集知网数据 PHP数据采集
转载来于：http://azwzsj.com/article/hjodhd.html
