Python tornado隊列示例-一個并發(fā)web爬蟲代碼分享
Queue
Tornado的tornado.queue模塊為基于協(xié)程的應用程序實現(xiàn)了一個異步生產(chǎn)者/消費者模式的隊列。這與python標準庫為多線程環(huán)境實現(xiàn)的queue模塊類似。
一個協(xié)程執(zhí)行到y(tǒng)ieldqueue.get會暫停,直到隊列中有條目。如果queue有上限,一個協(xié)程執(zhí)行yieldqueue.put將會暫停,直到隊列中有空閑的位置。
在一個queue內部維護了一個未完成任務的引用計數(shù),每調用一次put操作便會增加引用計數(shù),而調用task_done操作將會減少引用計數(shù)。
下面是一個簡單的web爬蟲的例子:
最開始,queue只包含一個基準url。當一個worker從中取出一個url后,它會從對應的頁面中解析中所包含的url并將其放入隊列,然后調用task_done減少引用計數(shù)一次。
最后,worker會取出一個url,而這個url頁面中的所有url都已經(jīng)被處理過了,這時隊列中也沒有url了。這時調用task_done會將引用計數(shù)減少至0.
這樣,在main協(xié)程里,join操作將會解除掛起并結束主協(xié)程。
這個爬蟲使用了HTMLParse來解析html頁面。
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)
#用于從一個包含片段的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 = []
#從所有a標簽中提取中href屬性。
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)
總結
以上所述,來自Tornado官方網(wǎng)站用戶指南的介紹和實例,這位同學進行了簡單的翻譯,然后把代碼拿過來了。時間有些倉促,小編并未進行tornado的安裝和對本段代碼進行測試,故無結果演示,大家請見諒。
有關Python tornado隊列示例-一個并發(fā)web爬蟲代碼分享的介紹就到這里了,希望對大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站其他相關專題,如有不足之處,歡迎留言指出。感謝朋友們對本站的支持!
- Python Web服務器Tornado使用小結
- 高性能web服務器框架Tornado簡單實現(xiàn)restful接口及開發(fā)實例
- Python Web框架Tornado運行和部署
- Tornado Web服務器多進程啟動的2個方法
- python常用web框架簡單性能測試結果分享(包含django、flask、bottle、tornado)
- 使用Python的Tornado框架實現(xiàn)一個Web端圖書展示頁面
- 使用Python的Tornado框架實現(xiàn)一個簡單的WebQQ機器人
- Web服務器框架 Tornado簡介
- Tornado Web Server框架編寫簡易Python服務器
- Python Tornado框架輕松寫一個Web應用的全過程
相關文章
python中的Numpy二維數(shù)組遍歷與二維數(shù)組切片后遍歷效率比較
這篇文章主要介紹了python中的Numpy二維數(shù)組遍歷與二維數(shù)組切片后遍歷效率比較,在python-numpy使用中,可以用雙層?for循環(huán)對數(shù)組元素進行訪問,也可以切片成每一行后進行一維數(shù)組的遍歷,下面小編擊來舉例介紹吧,需要的朋友可以參考一下2022-03-03
Python實現(xiàn)爬蟲從網(wǎng)絡上下載文檔的實例代碼
小編最近在研究python,接觸到了爬蟲,本文給大家?guī)砹薖ython實現(xiàn)爬蟲從網(wǎng)絡上下載文檔的知識。下面小編把具體實例代碼分享到腳本之家平臺,感興趣的朋友參考下吧2018-06-06
matlab灰度圖像調整及imadjust函數(shù)的用法詳解
這篇文章主要介紹了matlab圖像灰度調整及imadjust函數(shù)的用法詳解,本文通過實例代碼給大家介紹的非常詳細,具有一定的參考借鑒價值,需要的朋友可以參考下2020-02-02
Python安裝jupyter notebook報pywinpty缺少Rust和Cargo問題
文章介紹了在安裝pip install jupyter時遇到的錯誤,并分析了原因,錯誤是由于缺少Rust和Cargo編譯擴展,作者通過訪問rustup.rs下載并安裝Rust,并確保將Rust添加到系統(tǒng)路徑中,重啟電腦后成功解決了問題2025-02-02
Python操作MySQL數(shù)據(jù)庫的基本方法(查詢與更新)
在工作中我們需要經(jīng)常對數(shù)據(jù)庫進行操作,比如 Oracle、MySQL、SQL Sever等,這篇文章主要給大家介紹了關于Python操作MySQL數(shù)據(jù)庫的基本方法包括了數(shù)據(jù)查詢與數(shù)據(jù)更新(新增、刪除、修改),需要的朋友可以參考下2023-09-09
python自動化測試之DDT數(shù)據(jù)驅動的實現(xiàn)代碼
這篇文章主要介紹了python自動化測試之DDT數(shù)據(jù)驅動的實現(xiàn)代碼,本文給大家介紹的非常詳細,具有一定的參考借鑒價值,需要的朋友可以參考下2019-07-07

