基本概念
网络爬虫
网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。另外一些不常使用的名字还有蚂蚁、自动索引、模拟程序或者蠕虫。
swoole
PHP的异步、并行、高性能网络通信引擎，使用纯C语言编写，提供了PHP语言的异步多线程服务器，异步TCP/UDP网络客户端，异步MySQL，异步Redis，数据库连接池，AsyncTask，消息队列，毫秒定时器，异步文件读写，异步DNS查询。 Swoole内置了Http/WebSocket服务器端/客户端、Http2.0服务器端。
技术方案
本来，公司的意愿是，写几个PHP脚本，使用linux定时任务crontab既可。后来我一琢磨，正好现在不是业务改动频繁期，而且，服务化是迟早要做的事情，因此，便开始我的爬坑旅程。 PHP是有一套比较成熟的异步常驻内存的框架的， workerman ,倒不是不采取，而是既然决定采用新的方案，正好也不赶工期，为何不挑战一下新技术呢？
爬坑之旅（一）
swoole协议选取
由于公司之前是没有进行过tcp连接的优化基础的大神在，因此我们采用是朴实的方案，http协议。 swoole是原生支持http服务器的，参见官网，开启一个http server是很简单的：
$serv = new Swoole\Http\Server("127.0.0.1", 9502);
$serv->on('Request', function($request, $response) {
var_dump($request->get);
var_dump($request->post);
var_dump($request->cookie);
var_dump($request->files);
var_dump($request->header);
var_dump($request->server);
$response->cookie("User", "Swoole");
$response->header("X-Server", "Swoole");
$response->end("<h1>Hello Swoole!</h1>");
});
$serv->start();
根据swoole官方的定义，http server是有几个常用事件的。
request,packet,pipeMessage,task,finish,receive,close,workerStart,workerStop,shutDown
仔细观察，一般的使用的情况下，由于receive事件swoole已经自动转发到了request事件，因此，最简单的例子，我们直接从request中激活一个爬虫就好了。
初始的代码
class SwooleHttpServer implements Server
{
const EVENT = [
'request'//,'packet','pipeMessage','task','finish','close'
];
protected $server;
protected $event = [
];
//注意，这里使用了我上一篇文章关于PHP DI的实现
public function __construct(Config $config)
{
$server = $config->get('server');
if(empty($server)) {
throw new \Exception('config not found');
}
$this->server = new \swoole_http_server($server['host'], $server['port'], $server['mode'], $server['type']);
$extend = $config->get('event')['namespace'] ?? '';
foreach (self::EVENT as $event) {
$class = $extend.'\\'.ucfirst($event);
if(!class_exists($class)) {
$class = '\\Kernel\\Swoole\\Event\\Http\\'.ucfirst($event);
}
/* @var \Kernel\Swoole\Event\Event $callback */
$callback = new $class($this->server);
$this->event[$event] = $callback;
$this->server->on($event, [$callback, 'doEvent']);
}
$this->server->set($config->get('swoole'));
}
public function start(\Closure $callback = null): Server
{
if(!is_null($callback)) {
$callback();
}
$this->server->start();
return $this;
}
public function shutdown(\Closure $callback = null): Server
{
// TODO: Implement shutdown() method.
}
public function close($fd, $fromId = 0) : Server
{
$this->server->close($fd, $fromId = 0);
return $this;
}
为了方便业务的书写，我们把request事件解耦出单独的一个类
namespace Kernel\Swoole\Event\Http;
use Kernel\Swoole\Event\Event;
use Kernel\Swoole\Event\EventTrait;
class Request implements Event
{
use EventTrait;
/* @var \swoole_http_server $server*/
protected $server;
protected $data = [];
public function __construct(\swoole_http_server $server)
{
$this->server = $server;
}
public function doEvent(\swoole_http_request $request, \swoole_http_response $response)
{
if(isset($request->server['request_uri']) and $request->server['request_uri'] == '/favicon.ico') {
$response->end(json_encode(empty($data)?['code'=>0]:$data));
return;
}
$crawler = new Crawler();
$crawler->run();
}
现在我们请求IP所在端口，既可开始执行我们得爬虫类了
最初最简单的爬虫类
namespace Library\Crawler;
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)
{
$pattern = '#(http|ftp|https)://?([a-z0-9_-]+\.)+(com|net|cn|org){1}(\/[a-z0-9_-]+)*\.?(?!:jpg|jpeg|gif|png|bmp)(?:")#i';
preg_match_all($pattern, $content, $matched);
foreach ($matched[0] as $url) {
if (in_array($url, $this->toVisit)) {
continue;
}
$this->toVisit[] = rtrim($url,'"');
file_put_contents('urls',$url."\r\n",FILE_APPEND);
}
}
private function visitAll()
{
foreach ($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,$url,$callback) {
if($domainName == '' or $ip =='') {
return;
}
if(!isset($urlInfo['port'])) {
if($urlInfo['scheme'] == 'https') {
$urlInfo['port'] = 443;
}else{
$urlInfo['port'] = 80;
}
}
if($urlInfo['scheme'] == 'https') {
$cli = new \swoole_http_client($ip, $urlInfo['port'], true);
}else{
$cli = new \swoole_http_client($ip, $urlInfo['port']);
}
$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 ($cli) use (,$url) {
$data = $this->getMeta($cli->body);
//todo:将数据写到数据库
$cli->close();
});
});
}
private function getMeta(string $data)
{
$meta = [];
......
return $meta;
}
}
从现在开始，一套简单的爬虫程序既可使用了。 但是出现了一个问题：
swoole的worker数量受制于CPU有限，因此，一旦超出了worker是不会进行服务的，而我这里的爬虫，很明显是一个同步代码,举个栗子，开始我worker_num是5，我就最多同时开启5个爬虫任务，就算你想立即开启更多，也是会失败的【swoole分配不了更多的worker进程给请求】。相当于
while(true){
if($condition){
break;
}
}
引用一张官方的进程图：
worker的数量是不能动态分配的。联系操作系统的知识，可以得到这样的结论，假如我有3个篮子（即worker[生产者]），每次有人来取走一个篮子去装东西（即request请求[消费者]），但是，篮子一直在被用着(while(true))没还回来。当有第4个人来拿篮子（请求）的时候，无法分配篮子，只能等待，假如之前的一直不释放，while(true)不退出，这就称之为死锁了。
因此，我们需要进行新一步的优化。 下一篇文章，我将讲述如何对swoole的进程进行优化，也就是最大的爬坑篇[swoole task]。
