概況：幫周同學(xué)做小說采集做了有一段時(shí)間了。一開始是從其它網(wǎng)站的頁面上直接寫正則去采集，然后慢慢的轉(zhuǎn)為采集別人提供的API。

環(huán)境：CENTOS+NGINX+PHP5.2.17。基于JIEQI小說管理系統(tǒng)。

直接采集其它網(wǎng)站頁面的時(shí)候，主要改的是JIEQI自帶的采集系統(tǒng)，印象比較深的，是加上了判斷章節(jié)順序的功能，還修改了其它的“BUG”(呀，其它具體什么來著，我現(xiàn)在都快忘了，做了好久了)。這回感觸比較深的是，是采集API。

背景：采集數(shù)十個(gè)小說站的API(目前有五個(gè)，預(yù)計(jì)有40，50個(gè))

設(shè)計(jì)：共用一個(gè)顯示頁面，邏輯分開處理。可批量采集，可單篇采集。

上個(gè)圖：

其中，兩個(gè)實(shí)體，是根據(jù)我需要的信息，自己定義的。為什么要規(guī)定這個(gè)實(shí)體(或者是接口)，主要是因?yàn)?#xff0c;每個(gè)API給的信息都是不一樣的，要統(tǒng)一后，才能操作。

單篇采集 VS 多篇采集

單篇采集相對(duì)比較簡單，想怎么寫都行，問題不大。

而多篇批量采集，這次寫了四個(gè)版本。

V1：將所有的操作，寫在了同一PHP進(jìn)程里面。

優(yōu)勢：邏輯簡單，容易實(shí)現(xiàn)。

缺點(diǎn)：PHP進(jìn)程容易龐大，容易掛悼。

問題：最大只能設(shè)置5篇，而且，不能看到采集的過程。

V2：將所有的操作分開，用file_get_contents遍歷訪問。

優(yōu)勢：類似“異步”采集，將所有操作分開到每個(gè)進(jìn)程，單進(jìn)程不容易掛。效率很高。

缺點(diǎn)：采集過程將產(chǎn)生N多個(gè)PHP進(jìn)程，NGINX會(huì)出現(xiàn)504等錯(cuò)誤。

問題：如上述缺點(diǎn)，如果一作品的章節(jié)較多，在短時(shí)間內(nèi)(0.1S或更短)產(chǎn)生上百個(gè)HTTP請(qǐng)求，NGINX出現(xiàn)問題，服務(wù)器吃不消。

改進(jìn)：在PHP中加上sleep，導(dǎo)致NGINX不穩(wěn)定，集中耗資源。偶爾還出現(xiàn)file_get_contents的錯(cuò)誤。

V3：結(jié)合V1和V2,用JS做定時(shí)。

思路：使用iframe，定時(shí)刷新采集的每個(gè)頁面(V2)，根據(jù)頁面返回信息，做下一步操作。即：循環(huán)設(shè)置iframe的SRC。

優(yōu)勢：將采集時(shí)集中對(duì)服務(wù)器的壓力分散掉，章節(jié)按順序來入庫。

缺點(diǎn)：采集的間隔時(shí)間，不太好設(shè)置。哪怕是根據(jù)iframe的返回值，再判斷，也要多加定時(shí)(采用父頁面定時(shí)刷新，定時(shí)抓取iframe的數(shù)據(jù)來判斷)。

問題：setTimeout出各種問題，會(huì)出現(xiàn)無法控制的情況。因?yàn)镴S也是單線程的。setInertval也一樣。

V4:結(jié)合前面三，主要改進(jìn)是在V3的基礎(chǔ)上，再次分開。

思路：不再循環(huán)設(shè)置iframe的SRC，而是，新建N多個(gè)iframe。

優(yōu)勢：可以很輕松的控制時(shí)間(即：間隔多少S，打開新的iframe)。

缺點(diǎn)：若前面的章節(jié)操作比較慢(即：比如說，第一章卡殼了，2S都還沒有連接上采集的PHP的URL。而第二章，在第0.5S后，已經(jīng)開始，且連接上了，那么第二章就會(huì)在第一章之前入庫)，這里就涉及到一個(gè)章節(jié)的順序問題。還有，同上，第一章已經(jīng)連接上了，但，操作特慢，2S才搞定；而第二章，字?jǐn)?shù)少(或其它原因)，1S就搞定了，問題同上。

問題：同上缺點(diǎn)所述，還有一個(gè)問題要注意。因?yàn)橛行┳侄?#xff0c;必須要在采集完之后，更新表的。SO，采用了一個(gè)方法：就是子頁JS，調(diào)用父頁的JS的一個(gè)方法，在父頁中設(shè)置一個(gè)iframe(ajax或script一樣)，訪問修正作品的URL。

實(shí)用：果然，實(shí)用的時(shí)候，缺點(diǎn)所產(chǎn)生的問題已經(jīng)出現(xiàn)了。

修正：將章節(jié)排序的字段，做到和章節(jié)信息一樣，放到數(shù)組里面，同步更新。這樣，哪怕第二章先入庫，但它的order，還是2。第一章后入庫，其order為1。在顯示時(shí)，還是第一章在前面。問題解決。

每個(gè)采集站的API和模版都分開了，這樣的好處就是統(tǒng)一了接口，其它的自由發(fā)揮。做這個(gè)玩意，也被周同學(xué)說了幾次，不過想想，確實(shí)，一開始做的時(shí)候，沒有考慮這么細(xì)，做得不夠好，看來，還是經(jīng)驗(yàn)不夠啊。

當(dāng)然，采集的話，建議使用.net做成一個(gè)EXE。有向周同學(xué)提，但他覺得更麻煩，也懶得重新來弄過。現(xiàn)在這個(gè)版本，夠用了，符合要求了。還有優(yōu)化的地方繼續(xù)優(yōu)化。

此拋磚引玉，期待大牛們的指點(diǎn)。

總結(jié)

以上是生活随笔為你收集整理的小说站源码php采集,关于PHP批量采集----采集小说站有感的全部內(nèi)容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網(wǎng)站內(nèi)容還不錯(cuò)，歡迎將生活随笔推薦給好友。