13518219792
php数据采集常见技术要领：
宁安ssl适用于网站、小程序/APP、API接口等需要进行数据传输应用场景，ssl证书未来市场广阔！成为成都创新互联的ssl证书销售渠道，可以享受市场价格4-6折优惠！如果有意向欢迎电话联系或者加微信：18980820575（备注：SSL证书合作）期待与您的合作！
1、熟练正则表达式提取数据技术：提取内容关键步骤
2、熟练字符编码转换分析技术：兼容性管理以及数据有效性控制
3、熟练数据出库入库整理技术：对已采集内容的存储管理，包括数据库以及文件和进度
4、发掘数据以及网站爬行技术：分析网站结构，简化爬行手法，提高效率
5、反反采集处理技术：对于存在反采集的目标对象而设计的反反采集技术
6、多服务器并发采集管理技术：提高效率的工作方法
7、数据整理分析技术：查漏验证数据正确性有效性
8、自我身份保护技术：自身信息的保护
简单的分了几个步骤：
1、确定采集目标
2、获取目标远程页面内容（curl、file_get_contents）
3、分析页面html源码，正则匹配你需要的内容（preg_match、preg_match_all），这一步最为重要，不同页面正则匹配规则不一样
4、入库
不知道你asp用的数据库是不是mysql, 不过大多数asp连接数据库都可以用php连接, php配置下直接连接到数据库即可, 都不用数据迁移, 这是asp和php相同服务器情况下, 不同情况下相同数据库可以直接用数据库命令dump成sql文件然后再新的数据库服务器中执行就好, 最差的情况是不同数据库服务器, 在asp中可以写脚本让其将数据取出来, 然后按一定格式或者json编码到一个文本文件中, 到php时再获取这个文件中的内容再解码出来, 插入新的数据库, 最后还可以在asp中写个同步的接口, 在php写个服务请求这个接口将数据同步迁移过来, 都可以的
简单的有个file_get_content函数，然后写正则规则匹配内容，存数据库。
如果需要登陆的，用curl，还有可以用PHP的DOM库替换正则表达式
Python和Java等都有beautifulsoup这个第三方库，用来采集非常棒
用fopen/file/file_get_contents/curl之类的函数将远程页面获得内容， 采用正则或过滤之类的获得自己所需要的东西， 最好写入相应的数据库保存起来。
1、建议你读写数据和下载图片分开，各用不同的进程完成。
比如说，取数据用get-data.php，下载图片用get-image.php。
2、多进程的话，php可以简单的用pcntl_fork()。这样可以并发多个子进程。
但是我不建议你用fork，我建议你安装一个gearman worker。这样你要并发几个，就启几个worker，写代码简单，根本不用在代码里考虑thread啊，process等等。
3、综上，解决方案这样：
（1）安装gearman worker。
（2）写一个get-data.php，在crontab里设置它每5分钟执行一次，只负责读数据，然后把读回来的数据一条一条的扔到 gearman worker的队列里；
然后再写一个处理数据的脚本作为worker，例如叫process-data.php，这个脚本常驻内存。它作为worker从geraman 队列里读出一条一条的数据，然后跟你的数据库老数据比较，进行你的业务逻辑。如果你要10个并发，那就启动10个process-data.php好了。处理完后，如果图片地址有变动需要下载图片，就把图片地址扔到 gearman worker的另一个队列里。
（3）再写一个download-data.php，作为下载图片的worker，同样，你启动10个20个并发随便你。这个进程也常驻内存运行，从gearman worker的图片数据队列里取数据出来，下载图片
4、常驻进程的话，就是在代码里写个while(true)死循环，让它一直运行好了。如果怕内存泄露啥的，你可以每循环10万次退出一下。然后在crontab里设置，每分钟检查一下进程有没有启动，比如说这样启动3个process-data worker进程：
* * * * * flock -xn /tmp/process-data.1.lock -c '/usr/bin/php /process-data.php /dev/null 21'
* * * * * flock -xn /tmp/process-data.2.lock -c '/usr/bin/php /process-data.php /dev/null 21'
* * * * * flock -xn /tmp/process-data.3.lock -c '/usr/bin/php /process-data.php /dev/null 21'
不知道你明白了没有
