tornado 获取html,python使用tornado实现简单爬虫

本文实例为大家分享了python使用tornado实现简单爬虫的具体代码，供大家参考，具体内容如下

代码在官方文档的示例代码中有,但是作为一个tornado新手来说阅读起来还是有点困难的,于是我在代码中添加了注释,方便理解,代码如下:

# coding=utf-8

#!/usr/bin/env python

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

# 设置要爬取的网址

base_url = 'http://www.baidu.com'

# 设置worker数量

concurrency = 10

# 此代码会获取base_url下的所有其他url

@gen.coroutine

def get_links_from_url(url):

try:

# 通过异步向url发起请求

response = yield httpclient.AsyncHTTPClient().fetch(url)

print('fetched %s' % url)

# 响应如果是字节类型 进行解码

html = response.body if isinstance(response.body, str) \

else response.body.decode(errors='ignore')

# 构建url列表

urls = [urljoin(url, remove_fragment(new_url))

for new_url in get_links(html)]

except Exception as e:

print('Exception: %s %s' % (e, url))

# 报错返回空列表

raise gen.Return([])

# 返回url列表

raise gen.Return(urls)

def remove_fragment(url):

#去除锚点

pure_url, frag = urldefrag(url)

return pure_url

def get_links(html):

#从html页面里提取url

class URLSeeker(HTMLParser):

def __init__(self):

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():

# 创建队列

q = queues.Queue()

# 记录开始时间戳

start = time.time()

# 构建两个集合

fetching, fetched = set(), set()

@gen.coroutine

def fetch_url():

# 从队列中取出数据

current_url = yield q.get()

try:

# 如果取出的数据在队列中已经存在 返回

if current_url in fetching:

return

print('fetching %s' % current_url)

# 如果不存在添加到集合当中

fetching.add(current_url)

# 从新放入的链接中继续获取链接

urls = yield get_links_from_url(current_url)

# 将已经请求玩的url放入第二个集合

fetched.add(current_url)

for new_url in urls:

# Only follow links beneath the base URL

# 如果链接是以传入的url开始则放入队列

if new_url.startswith(base_url):

yield q.put(new_url)

finally:

# 队列内数据减一

q.task_done()

@gen.coroutine

def worker():

while True:

# 保证程序持续运行

yield fetch_url()

# 将第一个url放入队列

q.put(base_url)

# Start workers, then wait for the work queue to be empty.

for _ in range(concurrency):

# 启动对应数量的worker

worker()

# 等待队列数据处理完成

yield q.join(timeout=timedelta(seconds=300))

# 如果两个集合不相等抛出异常

assert fetching == fetched

# 打印执行时间

print('Done in %d seconds, fetched %s URLs.' % (

time.time() - start, len(fetched)))

if __name__ == '__main__':

io_loop = ioloop.IOLoop.current()

io_loop.run_sync(main)

以上就是本文的全部内容，希望对大家的学习有所帮助，也希望大家多多支持脚本之家。