Надо спарсить пару категорий одного сайта, но не для того, что бы спионерить инфу, а для того, что бы мониторить цены конкурентов.
Пробовал обычным cURL'ом, но либо у меня руки кривые, либо он действительно медленно работает (пока только на локалке пробовал 16 секунд 3 страницы).
Нашел этот магазин в яндекс маркете, значит у него есть волшебный yml/cvs/xls файлик со всем каталогом, но по какому адресу лежит, хер его знает.
Подкиньте советов, как выпрямить руки, или как найти волшебный файлик.
новые сообщения
ответы на мои сообщения
избранное
скрытые темы
случайный топик
открыть всё в новых вкладках
Форум → Программирование → PHP для идиотов → Расширения PHP → Как быстро и тихо спарсить каталог сайта?
Как быстро и тихо спарсить каталог сайта?
Страницы: ← Следующая страница →
-
Сообщения:
4540
Репутация:
N
Группа:
Джедаи
-
Сообщения:
22959
Репутация:
N
Группа:
в ухо
1 декабря 2014 г. 11:00, спустя 42 минуты 26 секунд
Он может где угодно лежать, посмотри robots.txt, может повезет.
Но вообще я бы не парсил сихронно, надо асинхронно парсить сайтик. Например через Scrapy (python). Суть в том, чтобы сделать одновркменно сотни запросов на страницы и коллбеками обрабатывать ответы, тогда не особо важно сколько генерирется страница
https://smappi.org/ - платформа по созданию API на все случаи жизни -
Сообщения:
4540
Репутация:
N
Группа:
Джедаи
1 декабря 2014 г. 11:13, спустя 13 минут 34 секунды
Он может где угодно лежать, посмотри robots.txt, может повезет.
Там в первую очередь посмотрел. Уже была мысля найти мыло админа, ломануть каким-то раком и посмотреть в настройках маркета путь к файлу.Суть в том, чтобы сделать одновркменно сотни запросов на страницы…
Попробовал curl_multi, быстрее стало только на одну секунду. Может это только на локалке так медленно?Высокоуровневое абстрактное говно -
Сообщения:
22959
Репутация:
N
Группа:
в ухо
1 декабря 2014 г. 11:28, спустя 15 минут 4 секунды
Попробовал curl_multi, быстрее стало только на одну секунду. Может это только на локалке так медленно?
Я не знаю что такое curl_multi, но при асинхронном подходе ты должен ждать первые результаты "первые 16 секунд", а потом получать все остальные 100500 страниц непрерывно, без всяких задержек.
https://smappi.org/ - платформа по созданию API на все случаи жизни -
Сообщения:
26646
Репутация:
N
Группа:
в ухо
1 декабря 2014 г. 12:49, спустя 1 час 20 минут 16 секунд
о, топик с гениями1 подпишусь, пачитаю, новае узнаю
Сапожник без сапог -
Сообщения:
22959
Репутация:
N
Группа:
в ухо
1 декабря 2014 г. 12:57, спустя 8 минут 45 секунд
о, топик с гениями1 подпишусь, пачитаю, новае узнаю
@phpdude, многопоточный дудокурл ему не поможет?
https://smappi.org/ - платформа по созданию API на все случаи жизни -
Сообщения:
26646
Репутация:
N
Группа:
в ухо
1 декабря 2014 г. 13:01, спустя 3 минуты 29 секунд
о, топик с гениями1 подпишусь, пачитаю, новае узнаю
@phpdude, многопоточный дудокурл ему не поможет?
@adw0rd, ктоб ему его дал то?)
Сапожник без сапог -
Сообщения:
4540
Репутация:
N
Группа:
Джедаи
1 декабря 2014 г. 13:02, спустя 1 минуту 39 секунд
@phpdude, дай :3Высокоуровневое абстрактное говно
-
Сообщения:
7958
Репутация:
N
Группа:
в ухо
1 декабря 2014 г. 13:40, спустя 37 минут 42 секунды
Попробовал curl_multi, быстрее стало только на одну секунду. Может это только на локалке так медленно?
Я не знаю что такое curl_multi, но при асинхронном подходе ты должен ждать первые результаты "первые 16 секунд", а потом получать все остальные 100500 страниц непрерывно, без всяких задержек.
@adw0rd, видимо, он имеет ввиду это
PHP: curl_multi_init - Manual
php.net
-
Сообщения:
22959
Репутация:
N
Группа:
в ухо
1 декабря 2014 г. 13:52, спустя 11 минут 23 секунды
@Sinkler, да, я даже нагуглил, но всеравно не пытался даже понять как с ним работать) Я бы точно взял Scrapy он на Twisted. Я с ним уже работал, он хорошо справляется
Спустя 52 сек.
Думаю для человека знакомого с js проще написать все на node.js, архитектура как раз позволяет делать запросы и не ждать ответа, а обрабатывать все в коллбекахhttps://smappi.org/ - платформа по созданию API на все случаи жизни -
Сообщения:
7958
Репутация:
N
Группа:
в ухо
1 декабря 2014 г. 13:54, спустя 2 минуты 16 секунд
@Stasovsky, отдебажь время обработки каждой страницы из тех трёх
-
Сообщения:
4540
Репутация:
N
Группа:
Джедаи
1 декабря 2014 г. 14:01, спустя 7 минут 6 секунд
@Sinkler, сейчас 9 страниц за 6 секунд парсит. Каждый запрос в среднем 0.54 и последний больше секунды.Высокоуровневое абстрактное говно
-
Сообщения:
7958
Репутация:
N
Группа:
в ухо
1 декабря 2014 г. 14:08, спустя 6 минут 55 секунд
@Stasovsky, запусти на линуксе, посмотри время. pcntl на винде точно не работает, про реализацию многопоточности в libcurl под виндой не знаю, но по твоим результатам они идут последовательно
-
Сообщения:
4540
Репутация:
N
Группа:
Джедаи
1 декабря 2014 г. 14:10, спустя 2 минуты 35 секунд
@Sinkler, да я так и понял, что последовательно. Щас вообще перебил на HttpSocket XD
Время проверял на ремоуте, там, вроде убунта, или центос.Спустя 91 сек.
И я всё это делаю в рамках движка на кейке. Ну и node.js хезе как поставить))Высокоуровневое абстрактное говно -
Сообщения:
22959
Репутация:
N
Группа:
в ухо
1 декабря 2014 г. 14:20, спустя 9 минут 8 секунд
Думаю как поставить ноду можно найти в гугле за 2 секунды)
https://smappi.org/ - платформа по созданию API на все случаи жизни
Страницы: ← Следующая страница →
Пожалуйста, авторизуйтесь, чтобы написать комментарий!