大数据处理的一些思想

一：大数组转存到文件里，可以考虑逐行写入，并配合多进程来写入

/*
 * 参    数：$file 字符串	文件名
 *			 $key	字符串	数组键名
 *			 $value	字符串	数组键值
 *			 $step 字符串	当前程序步骤，只有三个值：初始化init/执行中doing/完成done
 * 功    能：一维数组大数据量写入php文件时，为了避免过多的占用内存，使用追加的方式写入
 * 作    者：yishuguang
 */
function appendArrayToFile($file, $key = '', $value = '', $step = 'init') {
	static $rows = array();
	$md5String = md5($file);
	
	//文件初始化
	if($step == 'init') {
		file_put_contents($file, '<?php return array('."
", LOCK_EX);
		return true;
	}
	
	//文件追加
	if($step == 'doing') {
		if(!isset($rows[$md5String])) $rows[$md5String] = array();
		if($key != '' || $value != '') {
			$rows[$md5String][] = "	'".addslashes($key)."'=>'".addslashes($value)."',
";
		}
	}
	//符合一定的条件，数据写入文件
	if(count($rows[$md5String]) > ARRAY_TO_PHP_APPEND_ROW_LIMIT || $step == 'done') {
		file_put_contents($file, implode('', $rows[$md5String]), FILE_APPEND);
		unset($rows[$md5String]);
	}
	if($step == 'done') {
		file_put_contents($file, ");", FILE_APPEND);
	}
	
	return true;
}

使用方法：
$fileUnionLo = FILE_DIR.'/unionLo.php';
appendArrayToFile($fileUnionLo, '', '', 'init');
foreach($tempUsers as $uid => $url) {   //$tempUsers是个很大的数组
    if(is_array($url)) {
        foreach($url as $innerUrl) {
            appendArrayToFile($fileUnionLo, $innerUrl, $uid, 'doing');
        }
    } else {
        appendArrayToFile($fileUnionLo, $url, $uid, 'doing');
    }
}
appendArrayToFile($fileUnionLo, '', '', 'done');

二：抓取数据的时候利用curl开启多个进程抓取

//批量处理所有的分页请求
$handles = array();
$multiHandle = curl_multi_init();
for($i = 1; $i < $totalPage; $i++) {
	$url = URL_JIFEN_USER.$i;
	$handle = curl_init($url);
	curl_setopt($handle, CURLOPT_URL, $url);
	curl_setopt($handle, CURLOPT_HEADER, 0);
	curl_setopt($handle, CURLOPT_RETURNTRANSFER, 1);
	curl_multi_add_handle($multiHandle, $handle);
	$handles[$i] = $handle;
}

$runing = 0;
do {
	$flag = curl_multi_exec($multiHandle, $runing);
} while($flag === CURLM_CALL_MULTI_PERFORM || $runing > 0);

//获取数据
$jsons = array();
$errorUrls = array();
foreach($handles as $page => $handle) {
	$httpCode = curl_getinfo($handle, CURLINFO_HTTP_CODE);
	//返回状态码为200表示请求正常完成
	if($httpCode == 200) {
		$jsons[$page] = curl_multi_getcontent($handle);
	} else {
		$errorUrls[] = str_replace('HTTP://', 'http://', curl_getinfo($handle, CURLINFO_EFFECTIVE_URL));
	}
	curl_multi_remove_handle($multiHandle, $handle);
}
curl_multi_close($multiHandle);