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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
|
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 base_url = 'http://www.tornadoweb.org/en/stable/' concurrency = 10 @gen .coroutine def get_links_from_url(url): """Download the page at `url` and parse it for links. Returned links have had the fragment after `#` removed, and have been made absolute so, e.g. the URL 'gen.html#tornado.gen.coroutine' becomes 'http://www.tornadoweb.org/en/stable/gen.html'. """ try : response = yield httpclient.AsyncHTTPClient().fetch(url) print ( 'fetched %s' % url) html = response.body if isinstance (response.body, str ) \ else response.body.decode() urls = [urljoin(url, remove_fragment(new_url)) for new_url in get_links(html)] except Exception as e: print ( 'Exception: %s %s' % (e, url)) raise gen.Return([]) raise gen.Return(urls) #用于从一个包含片段的url中提取中真正的url. def remove_fragment(url): pure_url, frag = urldefrag(url) return pure_url def get_links(html): class URLSeeker(HTMLParser): def __init__( self ): HTMLParser.__init__( self ) self .urls = [] #从所有a标签中提取中href属性。 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(): q = queues.Queue() start = time.time() fetching, fetched = set (), set () @gen .coroutine def fetch_url(): current_url = yield q.get() try : if current_url in fetching: return print ( 'fetching %s' % current_url) fetching.add(current_url) urls = yield get_links_from_url(current_url) fetched.add(current_url) for new_url in urls: # Only follow links beneath the base URL if new_url.startswith(base_url): yield q.put(new_url) finally : q.task_done() @gen .coroutine def worker(): while True : yield fetch_url() q.put(base_url) # Start workers, then wait for the work queue to be empty. for _ in range (concurrency): worker() yield q.join(timeout = timedelta(seconds = 300 )) assert fetching = = fetched print ( 'Done in %d seconds, fetched %s URLs.' % ( time.time() - start, len (fetched))) if __name__ = = '__main__' : import logging 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Python tornado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!
原文链接:http://blog.csdn.net/happyanger6/article/details/51292536