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!