Tornado官方文档(四)【Queue示例-一个并发网络爬虫】

队列示例—一个并发网络爬虫

Tornado的tornado.queues模块实现了一个异步的生产者和消费者模式的协同程序,类似于Python标准库实现的queue模块。

一个协同程序,yield方式调用Queue.get的值做短暂的停顿。如果队列中超出了最大数量的容量,协同程序yield方式调用Queue.put做短暂停顿,知道有可容纳的空间。

一个Queue维持一定量未完成的任务,这个数量是开始的时候是零。put会增加数量,task_done会较少其数量。

本网络爬虫示例,队列开始容纳base_url。当一个worker抓取页面的链接然后放所有新的链接到队列中,然后调用task_done来削减这个数量。最终,worker抓取的页面的所有URL最后都会被处理,有一些没有完成的就留在了队列中。直到worker调用task_done削减数量到零。主协同程序,等待join,将不会停止或者将会结束。

    import HTMLParser
    import time
    import urlparse
    from datetime import timedelta

    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)
            urls = [urlparse.urljoin(url, remove_fragment(new_url))
                    for new_url in get_links(response.body)]
        except Exception as e:
            print('Exception: %s %s' % (e, url))
            raise gen.Return([])

        raise gen.Return(urls)


    def remove_fragment(url):
        scheme, netloc, url, params, query, fragment = urlparse.urlparse(url)
        return urlparse.urlunparse((scheme, netloc, url, params, query, ''))


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

            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)
  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值