python使用tornado实现简单爬虫

Python  /  管理员 发布于 7年前   173

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:

# coding=utf-8 #!/usr/bin/env pythonimport timefrom datetime import timedeltatry:  from HTMLParser import HTMLParser  from urlparse import urljoin, urldefragexcept ImportError:  from html.parser import HTMLParser  from urllib.parse import urljoin, urldefragfrom 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[email protected] 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_urldef 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 [email protected] 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。