php语言本身不支持多线程，所以开发爬虫程序效率并不高，借助Curl Multi 它可以实现并发多线程的访问多个url地址。用 Curl Multi 多线程下载文件代码：

代码1：将获得的代码直接写入某个文件

1. <?php 
2. $urls =array(   
3.  'http://www.phpfensi.com/',   
4.  'http://www.baidu.com/',   
5. );// 设置要抓取的页面URL   
6.       
7. $save_to='test.txt';  // 把抓取的代码写入该文件    
8.     
9. $st =fopen($save_to,"a");   
10. $mh = curl_multi_init();    
11.     
12. foreach ($urls as $i =>$url) {   
13.   $conn[$i] = curl_init($url);   
14.   curl_setopt($conn[$i], CURLOPT_USERAGENT,"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)");   
15.   curl_setopt($conn[$i], CURLOPT_HEADER ,0);   
16.   curl_setopt($conn[$i], CURLOPT_CONNECTTIMEOUT,60);   
17.   curl_setopt($conn[$i], CURLOPT_FILE,$st);// 设置将爬取的代码写入文件   
18.   curl_multi_add_handle ($mh,$conn[$i]);   
19. }// 初始化   
20.       
21. do {   
22.   curl_multi_exec($mh,$active);   
23. }while ($active); // 执行   
24.       
25. foreach ($urls as $i =>$url) {   
26.   curl_multi_remove_handle($mh,$conn[$i]);   
27.   curl_close($conn[$i]);   
28. }// 结束清理   
29.       
30. curl_multi_close($mh);   
31. fclose($st); 
32. ?> 

代码2：将获得的代码先放入变量，再写入某个文件

1. <?php 
2. $urls =array(   
3.  'http://m.phpfensi.com/',   
4.  'http://www.phpfensi.com/',   
5.  'http://www.163.com/'  
6. );   
7.     
8. $save_to='/test.txt';  // 把抓取的代码写入该文件   
9. $st =fopen($save_to,"a");   
10.     
11. $mh = curl_multi_init();   
12. foreach ($urls as $i =>$url) {   
13.   $conn[$i] = curl_init($url);   
14.   curl_setopt($conn[$i], CURLOPT_USERAGENT,"Mozilla/4.0 (compatible; MSIE 7.0; Windows NT 6.0)");   
15.   curl_setopt($conn[$i], CURLOPT_HEADER ,0);   
16.   curl_setopt($conn[$i], CURLOPT_CONNECTTIMEOUT,60);   
17.   curl_setopt($conn[$i],CURLOPT_RETURNTRANSFER,true); // 设置不将爬取代码写到浏览器，而是转化为字符串   
18.   curl_multi_add_handle ($mh,$conn[$i]);   
19. }   
20.     
21. do {   
22.   curl_multi_exec($mh,$active);   
23. }while ($active);   
24.       
25. foreach ($urls as $i =>$url) {   
26.   $data = curl_multi_getcontent($conn[$i]);// 获得爬取的代码字符串   
27.   fwrite($st,$data); // 将字符串写入文件。当然，也可以不写入文件，比如存入数据库   
28. }// 获得数据变量，并写入文件   
29.     
30. foreach ($urls as $i =>$url) {   
31.   curl_multi_remove_handle($mh,$conn[$i]);   
32.   curl_close($conn[$i]);   
33. }   
34.     
35. curl_multi_close($mh);   
36. fclose($st);  
37. ?> 

curl抓取网页中文乱码的解决方法

function ppost($url,$data,$ref){ // 模拟提交数据函数

$curl = curl_init(); // 启动一个CURL会话

curl_setopt($curl, CURLOPT_URL, $url); // 要访问的地址

curl_setopt($curl, CURLOPT_SSL_VERIFYPEER, 0); // 对认证证书来源的检查

curl_setopt($curl, CURLOPT_SSL_VERIFYHOST, 1); // 从证书中检查SSL加密算法是否存在

curl_setopt($curl, CURLOPT_USERAGENT, $_SERVER['HTTP_USER_AGENT']); // 模拟用户使用的浏览器

curl_setopt($curl, CURLOPT_FOLLOWLOCATION, 1); // 使用自动跳转

curl_setopt($curl, CURLOPT_REFERER, $ref);

curl_setopt($curl, CURLOPT_POST, 1); // 发送一个常规的Post请求

curl_setopt($curl, CURLOPT_POSTFIELDS, $data); // Post提交的数据包

curl_setopt($curl, CURLOPT_COOKIEFILE,$GLOBALS ['cookie_file']); // 读取上面所储存的Cookie信息

curl_setopt($curl, CURLOPT_COOKIEJAR, $GLOBALS['cookie_file']); // 存放Cookie信息的文件名称

curl_setopt($curl, CURLOPT_HTTPHEADER,array('Accept-Encoding: gzip, deflate'));

curl_setopt($curl, CURLOPT_ENCODING, 'gzip,deflate');这个是解释gzip内容.................

curl_setopt($curl, CURLOPT_TIMEOUT, 30); // 设置超时限制防止死循环

curl_setopt($curl, CURLOPT_HEADER, 0); // 显示返回的Header区域内容

curl_setopt($curl, CURLOPT_RETURNTRANSFER, 1); // 获取的信息以文件流的形式返回

$tmpInfo = curl_exec($curl); // 执行操作

Tags: curl 多线程 抓取网页

分享到：