python使用tornado實(shí)現(xiàn)簡單爬蟲
本文實(shí)例為大家分享了python使用tornado實(shí)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(diǎn)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(shè)置要爬取的網(wǎng)址
base_url = 'http://www.baidu.com'
# 設(shè)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(yīng)如果是字節(jié)類型 進(jìn)行解碼
html = response.body if isinstance(response.body, str) \
else response.body.decode(errors='ignore')
# 構(gòu)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(diǎn)
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(duì)列
q = queues.Queue()
# 記錄開始時間戳
start = time.time()
# 構(gòu)建兩個集合
fetching, fetched = set(), set()
@gen.coroutine
def fetch_url():
# 從隊(duì)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(duì)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(dāng)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(duì)列
if new_url.startswith(base_url):
yield q.put(new_url)
finally:
# 隊(duì)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(yùn)行
yield fetch_url()
# 將第一個url放入隊(duì)列
q.put(base_url)
# Start workers, then wait for the work queue to be empty.
for _ in range(concurrency):
# 啟動對應(yīng)數(shù)量的worker
worker()
# 等待隊(duì)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(xué)習(xí)有所幫助,也希望大家多多支持腳本之家。
- 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(jìn)行包裝的實(shí)例
- 關(guān)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(wù)器
- python使用tornado實(shí)現(xiàn)登錄和登出
- Python tornado隊(duì)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(shí)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(shí)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(shí)現(xiàn)異步非阻塞訪問數(shù)據(jù)庫的示例
- Python的Tornado框架實(shí)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(wù)與AsyncHTTPClient
- Python對Tornado請求與響應(yīng)的數(shù)據(jù)處理
相關(guān)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(xì)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(jìn)行互動,需要的朋友可以參考下2023-11-11
Python三數(shù)之和的實(shí)現(xiàn)方式
這篇文章主要介紹了Python三數(shù)之和的實(shí)現(xiàn)方式,具有很好的參考價值,希望對大家有所幫助。如有錯誤或未考慮完全的地方,望不吝賜教2022-05-05
Dockerfile構(gòu)建一個Python Flask 鏡像
這篇文章主要介紹了Dockerfile構(gòu)建一個Python Flask 鏡像,對正在學(xué)習(xí)的你有一定的參考價值,需要的小伙伴可以參考一下2022-01-01
基于Python實(shí)現(xiàn)倒計(jì)時工具
這篇文章主要為大家詳細(xì)介紹了基于Python實(shí)現(xiàn)倒計(jì)時工具,文中示例代碼介紹的非常詳細(xì),具有一定的參考價值,感興趣的小伙伴們可以參考一下2022-08-08
用Python監(jiān)控NASA TV直播畫面的實(shí)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
Python attrs提高面向?qū)ο缶幊绦试敿?xì)
Python是面向?qū)ο蟮恼Z言,一般情況下使用面向?qū)ο缶幊虝沟瞄_發(fā)效率更高,軟件質(zhì)量更好,并且代碼更易于擴(kuò)展,可讀性和可維護(hù)性也更高,但是Python的類寫起來是真的累,這是可以在創(chuàng)建類的時候自動添加上attrs模塊,下面文章我們就來介紹這個東西,需要的朋友可參考一下2021-09-09
python實(shí)現(xiàn)的一個p2p文件傳輸實(shí)例
這篇文章主要介紹了python實(shí)現(xiàn)的一個p2p文件傳輸實(shí)例,文中用來解決多臺服務(wù)器維護(hù)文件同步問題,需要的朋友可以參考下2014-06-06

