python使用tornado实现简单爬虫_Python

本文实例为大家分享了python使用tornado实现简单爬虫的具体代码，供大家参考，具体内容如下

代码在官方文档的示例代码中有,但是作为一个tornado新手来说阅读起来还是有点困难的,于是我在代码中添加了注释,方便理解,代码如下:

100

101

102

103

104

105

106

107

108

109

110

111

112

113

114

115

116

117

118

119

120

121

122

123

124

125

									# 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

									 # 设置要爬取的网址

									base_url = 'http://www.baidu.com'

									 # 设置worker数量

									concurrency = 10

									 # 此代码会获取base_url下的所有其他url

									@gen.coroutine

									def get_links_from_url(url):

									  try:

									    # 通过异步向url发起请求

									    response = yield httpclient.AsyncHTTPClient().fetch(url)

									    print('fetched %s' % url)

									    # 响应如果是字节类型 进行解码

									    html = response.body if isinstance(response.body, str) \

									      else response.body.decode(errors='ignore')

									    # 构建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))

									    # 报错返回空列表

									    raise gen.Return([])

									  # 返回url列表

									  raise gen.Return(urls)

									def remove_fragment(url):

									  #去除锚点

									  pure_url, frag = urldefrag(url)

									  return pure_url

									def get_links(html):

									  #从html页面里提取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():

									  # 创建队列

									  q = queues.Queue()

									  # 记录开始时间戳

									  start = time.time()

									  # 构建两个集合

									  fetching, fetched = set(), set()

									  @gen.coroutine

									  def fetch_url():

									    # 从队列中取出数据

									    current_url = yield q.get()

									    try:

									      # 如果取出的数据在队列中已经存在 返回

									      if current_url in fetching:

									        return

									      print('fetching %s' % current_url)

									      # 如果不存在添加到集合当中

									      fetching.add(current_url)

									      # 从新放入的链接中继续获取链接

									      urls = yield get_links_from_url(current_url)

									      # 将已经请求玩的url放入第二个集合

									      fetched.add(current_url)

									      for new_url in urls:

									        # Only follow links beneath the base URL

									        # 如果链接是以传入的url开始则放入队列

									        if new_url.startswith(base_url):

									          yield q.put(new_url)

									    finally:

									      # 队列内数据减一

									      q.task_done()

									  @gen.coroutine

									  def worker():

									    while True:

									      # 保证程序持续运行

									      yield fetch_url()

									  # 将第一个url放入队列

									  q.put(base_url)

									  # Start workers, then wait for the work queue to be empty.

									  for _ in range(concurrency):

									    # 启动对应数量的worker

									    worker()

									  # 等待队列数据处理完成

									  yield q.join(timeout=timedelta(seconds=300))

									  # 如果两个集合不相等抛出异常

									  assert fetching == fetched

									  # 打印执行时间

									  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内容，希望对大家的学习有所帮助，也希望大家多多支持服务器之家。

原文链接：https://blog.csdn.net/wf134/article/details/79900407

python使用tornado实现简单爬虫

相关文章

热门资讯