亚洲乱码中文字幕综合,中国熟女仑乱hd,亚洲精品乱拍国产一区二区三区,一本大道卡一卡二卡三乱码全集资源,又粗又黄又硬又爽的免费视频

python使用tornado實現(xiàn)簡單爬蟲

 更新時間:2018年07月28日 09:08:58   作者:WangF0  
這篇文章主要為大家詳細介紹了python使用tornado實現(xiàn)簡單爬蟲,具有一定的參考價值,感興趣的小伙伴們可以參考一下

本文實例為大家分享了python使用tornado實現(xiàn)簡單爬蟲的具體代碼,供大家參考,具體內(nèi)容如下

代碼在官方文檔的示例代碼中有,但是作為一個tornado新手來說閱讀起來還是有點困難的,于是我在代碼中添加了注釋,方便理解,代碼如下:

# 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

 # 設置要爬取的網(wǎng)址
base_url = 'http://www.baidu.com'
 # 設置worker數(shù)量
concurrency = 10
 # 此代碼會獲取base_url下的所有其他url
@gen.coroutine
def get_links_from_url(url):

  try:
    # 通過異步向url發(fā)起請求
    response = yield httpclient.AsyncHTTPClient().fetch(url)
    print('fetched %s' % url)
    # 響應如果是字節(jié)類型 進行解碼
    html = response.body if isinstance(response.body, str) \
      else response.body.decode(errors='ignore')
    # 構建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))
    # 報錯返回空列表
    raise gen.Return([])
  # 返回url列表
  raise gen.Return(urls)


def remove_fragment(url):
  #去除錨點
  pure_url, frag = urldefrag(url)

  return pure_url


def get_links(html):
  #從html頁面里提取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():
  # 創(chuàng)建隊列
  q = queues.Queue()
  # 記錄開始時間戳
  start = time.time()
  # 構建兩個集合
  fetching, fetched = set(), set()

  @gen.coroutine
  def fetch_url():
    # 從隊列中取出數(shù)據(jù)
    current_url = yield q.get()
    try:
      # 如果取出的數(shù)據(jù)在隊列中已經(jīng)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當中
      fetching.add(current_url)
      # 從新放入的鏈接中繼續(xù)獲取鏈接
      urls = yield get_links_from_url(current_url)
      # 將已經(jīng)請求玩的url放入第二個集合
      fetched.add(current_url)

      for new_url in urls:
        # Only follow links beneath the base URL
        # 如果鏈接是以傳入的url開始則放入隊列
        if new_url.startswith(base_url):
          yield q.put(new_url)

    finally:
      # 隊列內(nèi)數(shù)據(jù)減一
      q.task_done()

  @gen.coroutine
  def worker():
    while True:
      # 保證程序持續(xù)運行
      yield fetch_url()
  # 將第一個url放入隊列
  q.put(base_url)

  # Start workers, then wait for the work queue to be empty.
  for _ in range(concurrency):
    # 啟動對應數(shù)量的worker
    worker()
  # 等待隊列數(shù)據(jù)處理完成
  yield q.join(timeout=timedelta(seconds=300))
  # 如果兩個集合不相等拋出異常
  assert fetching == fetched
  # 打印執(zhí)行時間
  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內(nèi)容,希望對大家的學習有所幫助,也希望大家多多支持腳本之家。

相關文章

  • python實現(xiàn)的一個p2p文件傳輸實例

    python實現(xiàn)的一個p2p文件傳輸實例

    這篇文章主要介紹了python實現(xiàn)的一個p2p文件傳輸實例,文中用來解決多臺服務器維護文件同步問題,需要的朋友可以參考下
    2014-06-06
  • 最新評論