php - 使用 PHP 并行下载页面

Question

我必须废弃一个网站，我需要在其中获取多个 URL，然后一个一个地处理它们。目前的过程有点像这样。

我获取一个基本 URL 并从此页面获取所有辅助 URL，然后对于每个辅助 URL，我获取该 URL，处理找到的页面，下载一些照片(这需要很长时间)并将这些数据存储到数据库，然后获取下一个 URL 并重复该过程。

在这个过程中，我认为我在每次迭代开始时都在浪费一些时间来获取辅助 URL。所以我试图在处理第一次迭代时并行获取下一个 URL。

我想到的解决方案是，从主进程调用一个 PHP 脚本，比如下载器，它将下载所有 URL(使用 curl_multi 或 wget)并存储它们在一些数据库中。

我的问题是

• 如何异步调用此类下载器，我不希望我的主脚本等到下载器完成。
• 存储下载数据的任何位置，例如共享内存。当然，数据库除外。
• 数据在存储和检索时有可能损坏，如何避免？
• 另外，如果有人有更好的计划，请指导我。

Answer 1

当我听说有人使用 curl_multi_exec 时，通常结果是他们只是用 100 个 url 加载它，然后等待所有完成，然后处理所有这些，然后从下一个 100 个 url 重新开始......怪我，我也是这样做的，但后来我发现可以在某些事情仍在进行时删除/添加 curl_multi 的句柄，而且它确实节省了很多时间，特别是如果您重用已经打开的连接。我写了一个小库来处理带有回调的请求队列；我当然不会在这里发布完整版本(“小”仍然是相当多的代码)，但这里有一个主要内容的简化版本，可以为您提供总体思路:

public function launch() {
    $channels = $freeChannels = array_fill(0, $this->maxConnections, NULL);
    $activeJobs = array();
    $running = 0;
    do {
        // pick jobs for free channels:
        while ( !(empty($freeChannels) || empty($this->jobQueue)) ) {
            // take free channel, (re)init curl handle and let
            // queued object set options
            $chId = key($freeChannels);
            if (empty($channels[$chId])) {
                $channels[$chId] = curl_init();
            }
            $job = array_pop($this->jobQueue);
            $job->init($channels[$chId]);
            curl_multi_add_handle($this->master, $channels[$chId]);
            $activeJobs[$chId] = $job;
            unset($freeChannels[$chId]);
        }
        $pending = count($activeJobs);

        // launch them:
        if ($pending > 0) {
            while(($mrc = curl_multi_exec($this->master, $running)) == CURLM_CALL_MULTI_PERFORM);
                // poke it while it wants
            curl_multi_select($this->master);
                // wait for some activity, don't eat CPU
            while ($running < $pending && ($info = curl_multi_info_read($this->master))) {
                // some connection(s) finished, locate that job and run response handler:
                $pending--;
                $chId = array_search($info['handle'], $channels);
                $content = curl_multi_getcontent($channels[$chId]);
                curl_multi_remove_handle($this->master, $channels[$chId]);
                $freeChannels[$chId] = NULL;
                    // free up this channel
                if ( !array_key_exists($chId, $activeJobs) ) {
                    // impossible, but...
                    continue;
                }
                $activeJobs[$chId]->onComplete($content);
                unset($activeJobs[$chId]);
            }
        }
    } while ( ($running > 0 && $mrc == CURLM_OK) || !empty($this->jobQueue) );
}

在我的版本中，$jobs 实际上属于单独的类，而不是 Controller 或模型的实例。他们只处理设置 cURL 选项、解析响应并调用给定的回调 onComplete。使用这种结构，新请求将在池中的某些内容完成后立即开始。

当然，如果不仅检索需要时间而且处理也需要时间，那么它并不能真正为您节省时间……而且这不是真正的并行处理。但我仍然希望它有所帮助。 :)

附言对我做了个把戏。 :) 现在使用 50 个连接池可在 3-4 分钟内完成一次 8 小时的工作。无法形容那种感觉。 :) 我真的不希望它按计划工作，因为使用 PHP 它很少能完全按预期工作......就像“好的，希望它至少在一个小时内完成......哇......等等...... . 已经？!8-O”