Python tornado队列示例-一个并发web爬虫代码分享
Queue
Tornado的tornado.queue模块为基于协程的应用程序实现了一个异步生产者/消费者模式的队列。这与python标准库为多线程环境实现的queue模块类似。
一个协程执行到yieldqueue.get会暂停，直到队列中有条目。如果queue有上限，一个协程执行yieldqueue.put将会暂停，直到队列中有空闲的位置。
在一个queue内部维护了一个未完成任务的引用计数，每调用一次put操作便会增加引用计数，而调用task_done操作将会减少引用计数。
下面是一个简单的web爬虫的例子：
最开始，queue只包含一个基准url。当一个worker从中取出一个url后，它会从对应的页面中解析中所包含的url并将其放入队列，然后调用task_done减少引用计数一次。
最后，worker会取出一个url，而这个url页面中的所有url都已经被处理过了，这时队列中也没有url了。这时调用task_done会将引用计数减少至0.
这样,在main协程里，join操作将会解除挂起并结束主协程。
这个爬虫使用了HTMLParse来解析html页面。
importtime
fromdatetimeimporttimedelta
try:
fromHTMLParserimportHTMLParser
fromurlparseimporturljoin,urldefrag
exceptImportError:
fromhtml.parserimportHTMLParser
fromurllib.parseimporturljoin,urldefrag
fromtornadoimporthttpclient,gen,ioloop,queues
base_url='http://www.tornadoweb.org/en/stable/'
concurrency=10
@gen.coroutine
defget_links_from_url(url):
"""Downloadthepageat`url`andparseitforlinks.
Returnedlinkshavehadthefragmentafter`#`removed,andhavebeenmade
absoluteso,e.g.theURL'gen.html#tornado.gen.coroutine'becomes
'http://www.tornadoweb.org/en/stable/gen.html'.
"""
try:
response=yieldhttpclient.AsyncHTTPClient().fetch(url)
print('fetched%s'%url)
html=response.bodyifisinstance(response.body,str)\
elseresponse.body.decode()
urls=[urljoin(url,remove_fragment(new_url))
fornew_urlinget_links(html)]
exceptExceptionase:
print('Exception:%s%s'%(e,url))
raisegen.Return([])
raisegen.Return(urls)
#用于从一个包含片段的url中提取中真正的url.
defremove_fragment(url):
pure_url,frag=urldefrag(url)
returnpure_url
defget_links(html):
classURLSeeker(HTMLParser):
def__init__(self):
HTMLParser.__init__(self)
self.urls=[]
#从所有a标签中提取中href属性。
defhandle_starttag(self,tag,attrs):
href=dict(attrs).get('href')
ifhrefandtag=='a':
self.urls.append(href)
url_seeker=URLSeeker()
url_seeker.feed(html)
returnurl_seeker.urls
@gen.coroutine
defmain():
q=queues.Queue()
start=time.time()
fetching,fetched=set(),set()
@gen.coroutine
deffetch_url():
current_url=yieldq.get()
try:
ifcurrent_urlinfetching:
return
print('fetching%s'%current_url)
fetching.add(current_url)
urls=yieldget_links_from_url(current_url)
fetched.add(current_url)
fornew_urlinurls:
#OnlyfollowlinksbeneaththebaseURL
ifnew_url.startswith(base_url):
yieldq.put(new_url)
finally:
q.task_done()
@gen.coroutine
defworker():
whileTrue:
yieldfetch_url()
q.put(base_url)
#Startworkers,thenwaitfortheworkqueuetobeempty.
for_inrange(concurrency):
worker()
yieldq.join(timeout=timedelta(seconds=300))
assertfetching==fetched
print('Donein%dseconds,fetched%sURLs.'%(
time.time()-start,len(fetched)))
if__name__=='__main__':
importlogging
logging.basicConfig()
io_loop=ioloop.IOLoop.current()
io_loop.run_sync(main)
总结
以上所述，来自Tornado官方网站用户指南的介绍和实例，这位同学进行了简单的翻译，然后把代码拿过来了。时间有些仓促，小编并未进行tornado的安装和对本段代码进行测试，故无结果演示，大家请见谅。
有关Pythontornado队列示例-一个并发web爬虫代码分享的介绍就到这里了，希望对大家有所帮助。感兴趣的朋友可以继续参阅本站其他相关专题，如有不足之处，欢迎留言指出。感谢朋友们对本站的支持！