Python tornado队列示例-一个并发web爬虫代码分享


Posted in Python onJanuary 09, 2018

Queue

Tornado的tornado.queue模块为基于协程的应用程序实现了一个异步生产者/消费者模式的队列。这与python标准库为多线程环境实现的queue模块类似。

一个协程执行到yieldqueue.get会暂停,直到队列中有条目。如果queue有上限,一个协程执行yieldqueue.put将会暂停,直到队列中有空闲的位置。

在一个queue内部维护了一个未完成任务的引用计数,每调用一次put操作便会增加引用计数,而调用task_done操作将会减少引用计数。

下面是一个简单的web爬虫的例子:

最开始,queue只包含一个基准url。当一个worker从中取出一个url后,它会从对应的页面中解析中所包含的url并将其放入队列,然后调用task_done减少引用计数一次。

最后,worker会取出一个url,而这个url页面中的所有url都已经被处理过了,这时队列中也没有url了。这时调用task_done会将引用计数减少至0.

这样,在main协程里,join操作将会解除挂起并结束主协程。

这个爬虫使用了HTMLParse来解析html页面。

import time
from datetime import timedelta

try:
 from HTMLParser import HTMLParser
 from urlparse import urljoin, urldefrag
except ImportError:
 from html.parser import HTMLParser
 from urllib.parse import urljoin, urldefrag

from tornado import httpclient, gen, ioloop, queues

base_url = 'http://www.tornadoweb.org/en/stable/'
concurrency = 10


@gen.coroutine
def get_links_from_url(url):
 """Download the page at `url` and parse it for links.

 Returned links have had the fragment after `#` removed, and have been made
 absolute so, e.g. the URL 'gen.html#tornado.gen.coroutine' becomes
 'http://www.tornadoweb.org/en/stable/gen.html'.
 """
 try:
  response = yield httpclient.AsyncHTTPClient().fetch(url)
  print('fetched %s' % url)

  html = response.body if isinstance(response.body, str) \
   else response.body.decode()
  urls = [urljoin(url, remove_fragment(new_url))
    for new_url in get_links(html)]
 except Exception as e:
  print('Exception: %s %s' % (e, url))
  raise gen.Return([])

 raise gen.Return(urls)

#用于从一个包含片段的url中提取中真正的url.
def remove_fragment(url):  
 pure_url, frag = urldefrag(url)
 return pure_url


def get_links(html):
 class URLSeeker(HTMLParser):
  def __init__(self):
   HTMLParser.__init__(self)
   self.urls = []

	#从所有a标签中提取中href属性。
  def handle_starttag(self, tag, attrs):
   href = dict(attrs).get('href')
   if href and tag == 'a':
    self.urls.append(href)

 url_seeker = URLSeeker()
 url_seeker.feed(html)
 return url_seeker.urls


@gen.coroutine
def main():
 q = queues.Queue()
 start = time.time()
 fetching, fetched = set(), set()

 @gen.coroutine
 def fetch_url():
  current_url = yield q.get()
  try:
   if current_url in fetching:
    return

   print('fetching %s' % current_url)
   fetching.add(current_url)
   urls = yield get_links_from_url(current_url)
   fetched.add(current_url)

   for new_url in urls:
    # Only follow links beneath the base URL
    if new_url.startswith(base_url):
     yield q.put(new_url)

  finally:
   q.task_done()

 @gen.coroutine
 def worker():
  while True:
   yield fetch_url()

 q.put(base_url)

 # Start workers, then wait for the work queue to be empty.
 for _ in range(concurrency):
  worker()
 yield q.join(timeout=timedelta(seconds=300))
 assert fetching == fetched
 print('Done in %d seconds, fetched %s URLs.' % (
  time.time() - start, len(fetched)))


if __name__ == '__main__':
 import logging
 logging.basicConfig()
 io_loop = ioloop.IOLoop.current()
 io_loop.run_sync(main)

总结

以上所述,来自Tornado官方网站用户指南的介绍和实例,这位同学进行了简单的翻译,然后把代码拿过来了。时间有些仓促,小编并未进行tornado的安装和对本段代码进行测试,故无结果演示,大家请见谅。

有关Python tornado队列示例-一个并发web爬虫代码分享的介绍就到这里了,希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题,如有不足之处,欢迎留言指出。感谢朋友们对本站的支持!

Python 相关文章推荐
详解Python3中的Sequence type的使用
Aug 01 Python
Python采用Django制作简易的知乎日报API
Aug 03 Python
利用Python开发微信支付的注意事项
Aug 19 Python
浅谈Python2.6和Python3.0中八进制数字表示的区别
Apr 28 Python
详解Python pygame安装过程笔记
Jun 05 Python
python生成随机图形验证码详解
Nov 08 Python
浅谈pandas用groupby后对层级索引levels的处理方法
Nov 06 Python
记一次pyinstaller打包pygame项目为exe的过程(带图片)
Mar 02 Python
python网络编程之五子棋游戏
May 14 Python
什么是python类属性
Jun 10 Python
Python闭包及装饰器运行原理解析
Jun 17 Python
使用Python拟合函数曲线
Apr 14 Python
Python中join函数简单代码示例
Jan 09 #Python
Python中顺序表的实现简单代码分享
Jan 09 #Python
python中set()函数简介及实例解析
Jan 09 #Python
Python中摘要算法MD5,SHA1简介及应用实例代码
Jan 09 #Python
深入了解Python中pop和remove的使用方法
Jan 09 #Python
Python使用smtp和pop简单收发邮件完整实例
Jan 09 #Python
Numpy中stack(),hstack(),vstack()函数用法介绍及实例
Jan 09 #Python
You might like
Views rows style模板重写代码
2011/05/16 PHP
PHP字符串的编码问题的详细介绍
2013/04/27 PHP
thinkphp在模型中自动完成session赋值示例代码
2014/09/09 PHP
php项目中百度 UEditor 简单安装调试和调用
2015/07/15 PHP
PHP函数shuffle()取数组若干个随机元素的方法分析
2016/04/02 PHP
实例分析PHP将字符串转换成数字的方法
2019/01/27 PHP
PHP+redis实现微博的推模型案例分析
2019/07/10 PHP
Asp.net下使用Jquery Ajax传送和接收DataTable的代码
2010/09/12 Javascript
纯JS实现五子棋游戏兼容各浏览器(附源码)
2013/04/24 Javascript
JQuery伸缩导航练习示例
2013/11/13 Javascript
JavaScript分析、压缩工具JavaScript Analyser
2014/12/31 Javascript
jQuery中ajax的load()与post()方法实例详解
2016/01/05 Javascript
AngularJS表格详解及示例代码
2016/08/17 Javascript
DataTables+BootStrap组合使用Ajax来获取数据并且动态加载dom的方法(排序,过滤,分页等)
2016/11/09 Javascript
bootstrap日历插件datetimepicker使用方法
2016/12/14 Javascript
微信小程序实现图片自适应(支持多图)
2017/01/25 Javascript
详解基于Node.js的微信JS-SDK后端接口实现代码
2017/07/15 Javascript
js中apply()和call()的区别与用法实例分析
2018/08/14 Javascript
如何在微信小程序中实现Mixins方案
2019/06/20 Javascript
[03:01]2014DOTA2国际邀请赛 DC:我是核弹粉,为Burning和国土祝福
2014/07/13 DOTA
python基础教程之基本数据类型和变量声明介绍
2014/08/29 Python
django开发之settings.py中变量的全局引用详解
2017/03/29 Python
Python正则抓取新闻标题和链接的方法示例
2017/04/24 Python
python交互式图形编程实例(三)
2017/11/17 Python
Python 3.3实现计算两个日期间隔秒数/天数的方法示例
2019/01/07 Python
python实现按关键字筛选日志文件
2019/12/24 Python
Keras实现DenseNet结构操作
2020/07/06 Python
scrapy-splash简单使用详解
2021/02/21 Python
HTML5 canvas 基本语法
2009/08/26 HTML / CSS
加拿大在线眼镜零售商:SmartBuyGlasses加拿大
2019/05/25 全球购物
下面关于"联合"的题目的输出是什么
2013/08/06 面试题
物资采购方案
2014/06/12 职场文书
敬业奉献模范事迹材料
2014/12/24 职场文书
村主任当选感言
2015/08/01 职场文书
SpringBoot整合RabbitMQ的5种模式实战
2021/08/02 Java/Android
使用GO语言实现Mysql数据库CURD的简单示例
2021/08/07 Golang