php 编写网络爬虫

• pcntl_fork或者swoole_process实现多进程并发。按照每个网页抓取耗时500ms，开200个进程，可以实现每秒400个页面的抓取。
  

• curl实现页面抓取，设置cookie可以实现模拟登录
  

• simple_html_dom 实现页面的解析和DOM处理

• 如果想要模拟浏览器，可以使用casperJS。用swoole扩展封装一个服务接口给PHP层调用

在多玩网这里有一套爬虫系统就是基于上述技术方案实现的，每天会抓取几千万个页面。