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。
您可能感興趣的文章:
- python利用JMeter測試Tornado的多線程
- python tornado修改log輸出方式
- python tornado使用流生成圖片的例子
- python-tornado的接口用swagger進行包裝的實例
- 關于Python核心框架tornado的異步協(xié)程的2種方法詳解
- python tornado微信開發(fā)入門代碼
- Tornado Web Server框架編寫簡易Python服務器
- python使用tornado實現(xiàn)登錄和登出
- Python tornado隊列示例-一個并發(fā)web爬蟲代碼分享
- Tornado協(xié)程在python2.7如何返回值(實現(xiàn)方法)
- python用裝飾器自動注冊Tornado路由詳解
- 深入解析Python的Tornado框架中內(nèi)置的模板引擎
- 使用Python的Tornado框架實現(xiàn)一個Web端圖書展示頁面
- 為Python的Tornado框架配置使用Jinja2模板引擎的方法
- Python的Tornado框架實現(xiàn)異步非阻塞訪問數(shù)據(jù)庫的示例
- Python的Tornado框架實現(xiàn)圖片上傳及圖片大小修改功能
- Python的Tornado框架的異步任務與AsyncHTTPClient
- Python對Tornado請求與響應的數(shù)據(jù)處理
相關文章
在Python中執(zhí)行和調(diào)用JavaScript的多種方法小結(jié)
JavaScript(JS)是一種常用的腳本語言,通常用于網(wǎng)頁開發(fā),但有時也需要在Python中執(zhí)行或調(diào)用JavaScript代碼,本文將詳細介紹Python中執(zhí)行和調(diào)用JavaScript的多種方法,每種方法都將附有示例代碼,方便理解如何在Python中與JavaScript進行互動,需要的朋友可以參考下2023-11-11用Python監(jiān)控NASA TV直播畫面的實現(xiàn)步驟
本文分享一個名為"Spacestills"的開源程序,它可以用于查看 NASA TV 的直播畫面(靜止幀)2021-05-05