PHP从网站爬取数据

Question

我目前正在尝试从网站上抓取大量数据，但是我有点挣扎。它有一个 a-z 索引和 1-20 索引，所以里面有一堆循环和 DOM 东西。然而，它在第一次运行时成功地爬行并保存了大约 10,000 行，但现在我在 15,000 左右，每次运行只爬行了大约 100 行。

这可能是因为它必须跳过已经插入的行(对此进行了检查)。我想不出一种方法可以轻松跳过某些页面，因为 1-20 索引变化很大(一个字母有 18 页，其他字母只有 2 页)。

我正在检查是否已经存在具有给定 ID 的记录，如果没有，则插入它。我认为这会很慢，所以现在在脚本开始之前，我检索所有行，然后使用 in_array() 进行检查，假设这会更快。但它就是行不通。

所以我的爬虫正在导航 26 个字母，每个字母 20 页，然后每个页面最多 50 次，所以如果你计算一下，那就很多了。

考虑逐个字母地运行它，但这不会真正起作用，因为我仍然停留在“a”并且不能跳到“b”，因为我会错过“a”中的记录。

希望我已经很好地解释了这个问题，以便有人可以帮助我。我的代码有点像这样:(我在这里和那里删除了一些东西，猜测所有重要的东西都在这里给你一个想法)

function in_array_r($needle, $haystack, $strict = false) {
    foreach ($haystack as $item) {
        if (($strict ? $item === $needle : $item == $needle) || (is_array($item) && in_array_r($needle, $item, $strict))) {
            return true;
        }
    }

    return false;
}
/* CONNECT TO DB */
mysql_connect()......



$qry = mysql_query("SELECT uid FROM tableName");
$all = array();
while ($row = mysql_fetch_array($qru)) {
    $all[] = $row;
} // Retrieving all the current database rows to compare later

foreach (range("a", "z") as $key) {
    for ($i = 1; $i < 20; $i++) {
        $dom = new DomDocument();
        $dom->loadHTMLFile("http://www.crawleddomain.com/".$i."/".$key.".htm");
        $finder = new DomXPath($dom);
        $classname="table-striped";
        $nodes = $finder->query("//*[contains(concat(' ', normalize-space(@class), ' '), ' $classname ')]");
        foreach ($nodes as $node) {
            $rows = $finder->query("//a[contains(@href, '/value')]", $node);
            foreach ($rows as $row) {
                $url = $row->getAttribute("href");
                $dom2 = new DomDocument();
                $dom2->loadHTMLFile("http://www.crawleddomain.com".$url);
                $finder2 = new DomXPath($dom2);
                $classname2="table-striped";
                $nodes2 = $finder2->query("//*[contains(concat(' ', normalize-space(@class), ' '), ' $classname2 ')]");
                foreach ($nodes2 as $node2) {

                    $rows2 = $finder2->query("//a[contains(@href, '/loremipsum')]", $node2);
                    foreach ($rows2 as $row2) {

                        $dom3 = new DomDocument();
                        //
                        // not so important variable declarations..
                        //


                        $dom3->loadHTMLFile("http://www.crawleddomain.com".$url);
                        $finder3 = new DomXPath($dom3);
                        //2 $finder3->query() right here


                        $query231 = mysql_query("SELECT id FROM tableName WHERE uid='$uid'");
                        $result = mysql_fetch_assoc($query231);
                        //Doing this to get category ID from another table, to insert with this row..
                        $id = $result['id'];


                        if (!in_array_r($uid, $all)) { // if not exist
                            mysql_query("INSERT INTO')"); // insert the whole bunch
                        }

                    }
                }
            }
        }
    }
}

Answer 1

$uid 未定义，而且此查询没有任何意义:

mysql_query("INSERT INTO')");

您应该打开错误报告:

ini_set('display_errors',1); 
error_reporting(E_ALL);

在查询之后，您应该执行or die(mysql_error());

而且，如果我不说，别人也会说。不要使用 mysql_* 函数。它们已被弃用，并将从 PHP 的 future 版本中删除。试试PDO .