Python tornado隊(duì)列示例-一個(gè)并發(fā)web爬蟲(chóng)代碼分享
Queue
Tornado的tornado.queue模塊為基于協(xié)程的應(yīng)用程序?qū)崿F(xiàn)了一個(gè)異步生產(chǎn)者/消費(fèi)者模式的隊(duì)列。這與python標(biāo)準(zhǔn)庫(kù)為多線程環(huán)境實(shí)現(xiàn)的queue模塊類(lèi)似。
一個(gè)協(xié)程執(zhí)行到y(tǒng)ieldqueue.get會(huì)暫停,直到隊(duì)列中有條目。如果queue有上限,一個(gè)協(xié)程執(zhí)行yieldqueue.put將會(huì)暫停,直到隊(duì)列中有空閑的位置。
在一個(gè)queue內(nèi)部維護(hù)了一個(gè)未完成任務(wù)的引用計(jì)數(shù),每調(diào)用一次put操作便會(huì)增加引用計(jì)數(shù),而調(diào)用task_done操作將會(huì)減少引用計(jì)數(shù)。
下面是一個(gè)簡(jiǎn)單的web爬蟲(chóng)的例子:
最開(kāi)始,queue只包含一個(gè)基準(zhǔn)url。當(dāng)一個(gè)worker從中取出一個(gè)url后,它會(huì)從對(duì)應(yīng)的頁(yè)面中解析中所包含的url并將其放入隊(duì)列,然后調(diào)用task_done減少引用計(jì)數(shù)一次。
最后,worker會(huì)取出一個(gè)url,而這個(gè)url頁(yè)面中的所有url都已經(jīng)被處理過(guò)了,這時(shí)隊(duì)列中也沒(méi)有url了。這時(shí)調(diào)用task_done會(huì)將引用計(jì)數(shù)減少至0.
這樣,在main協(xié)程里,join操作將會(huì)解除掛起并結(jié)束主協(xié)程。
這個(gè)爬蟲(chóng)使用了HTMLParse來(lái)解析html頁(yè)面。
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)
#用于從一個(gè)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 = []
#從所有a標(biāo)簽中提取中href屬性。
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)
總結(jié)
以上所述,來(lái)自Tornado官方網(wǎng)站用戶指南的介紹和實(shí)例,這位同學(xué)進(jìn)行了簡(jiǎn)單的翻譯,然后把代碼拿過(guò)來(lái)了。時(shí)間有些倉(cāng)促,小編并未進(jìn)行tornado的安裝和對(duì)本段代碼進(jìn)行測(cè)試,故無(wú)結(jié)果演示,大家請(qǐng)見(jiàn)諒。
有關(guān)Python tornado隊(duì)列示例-一個(gè)并發(fā)web爬蟲(chóng)代碼分享的介紹就到這里了,希望對(duì)大家有所幫助。感興趣的朋友可以繼續(xù)參閱本站其他相關(guān)專(zhuān)題,如有不足之處,歡迎留言指出。感謝朋友們對(duì)本站的支持!
- Python Web服務(wù)器Tornado使用小結(jié)
- 高性能web服務(wù)器框架Tornado簡(jiǎn)單實(shí)現(xiàn)restful接口及開(kāi)發(fā)實(shí)例
- Python Web框架Tornado運(yùn)行和部署
- Tornado Web服務(wù)器多進(jìn)程啟動(dòng)的2個(gè)方法
- python常用web框架簡(jiǎn)單性能測(cè)試結(jié)果分享(包含django、flask、bottle、tornado)
- 使用Python的Tornado框架實(shí)現(xiàn)一個(gè)Web端圖書(shū)展示頁(yè)面
- 使用Python的Tornado框架實(shí)現(xiàn)一個(gè)簡(jiǎn)單的WebQQ機(jī)器人
- Web服務(wù)器框架 Tornado簡(jiǎn)介
- Tornado Web Server框架編寫(xiě)簡(jiǎn)易Python服務(wù)器
- Python Tornado框架輕松寫(xiě)一個(gè)Web應(yīng)用的全過(guò)程
相關(guān)文章
python中的Numpy二維數(shù)組遍歷與二維數(shù)組切片后遍歷效率比較
這篇文章主要介紹了python中的Numpy二維數(shù)組遍歷與二維數(shù)組切片后遍歷效率比較,在python-numpy使用中,可以用雙層?for循環(huán)對(duì)數(shù)組元素進(jìn)行訪問(wèn),也可以切片成每一行后進(jìn)行一維數(shù)組的遍歷,下面小編擊來(lái)舉例介紹吧,需要的朋友可以參考一下2022-03-03
Python實(shí)現(xiàn)修改IE注冊(cè)表功能示例
這篇文章主要介紹了Python實(shí)現(xiàn)修改IE注冊(cè)表功能,結(jié)合完整實(shí)例形式分析了Python操作IE注冊(cè)表項(xiàng)的相關(guān)實(shí)現(xiàn)技巧與注意事項(xiàng),需要的朋友可以參考下2018-05-05
Python實(shí)現(xiàn)爬蟲(chóng)從網(wǎng)絡(luò)上下載文檔的實(shí)例代碼
小編最近在研究python,接觸到了爬蟲(chóng),本文給大家?guī)?lái)了Python實(shí)現(xiàn)爬蟲(chóng)從網(wǎng)絡(luò)上下載文檔的知識(shí)。下面小編把具體實(shí)例代碼分享到腳本之家平臺(tái),感興趣的朋友參考下吧2018-06-06
matlab灰度圖像調(diào)整及imadjust函數(shù)的用法詳解
這篇文章主要介紹了matlab圖像灰度調(diào)整及imadjust函數(shù)的用法詳解,本文通過(guò)實(shí)例代碼給大家介紹的非常詳細(xì),具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2020-02-02
Python安裝jupyter notebook報(bào)pywinpty缺少Rust和Cargo問(wèn)題
文章介紹了在安裝pip install jupyter時(shí)遇到的錯(cuò)誤,并分析了原因,錯(cuò)誤是由于缺少Rust和Cargo編譯擴(kuò)展,作者通過(guò)訪問(wèn)rustup.rs下載并安裝Rust,并確保將Rust添加到系統(tǒng)路徑中,重啟電腦后成功解決了問(wèn)題2025-02-02
Python操作MySQL數(shù)據(jù)庫(kù)的基本方法(查詢與更新)
在工作中我們需要經(jīng)常對(duì)數(shù)據(jù)庫(kù)進(jìn)行操作,比如 Oracle、MySQL、SQL Sever等,這篇文章主要給大家介紹了關(guān)于Python操作MySQL數(shù)據(jù)庫(kù)的基本方法包括了數(shù)據(jù)查詢與數(shù)據(jù)更新(新增、刪除、修改),需要的朋友可以參考下2023-09-09
python3爬蟲(chóng)GIL修改多線程實(shí)例講解
在本篇內(nèi)容里小編給大家整理的是一篇關(guān)于python3爬蟲(chóng)GIL修改多線程實(shí)例講解內(nèi)容,需要的朋友們可以參考下。2020-11-11
python 實(shí)現(xiàn)判斷ip連通性的方法總結(jié)
下面小編就為大家分享一篇python 實(shí)現(xiàn)判斷ip連通性的方法總結(jié),具有很好的參考價(jià)值,希望對(duì)大家有所幫助。一起跟隨小編過(guò)來(lái)看看吧2018-04-04
python自動(dòng)化測(cè)試之DDT數(shù)據(jù)驅(qū)動(dòng)的實(shí)現(xiàn)代碼
這篇文章主要介紹了python自動(dòng)化測(cè)試之DDT數(shù)據(jù)驅(qū)動(dòng)的實(shí)現(xiàn)代碼,本文給大家介紹的非常詳細(xì),具有一定的參考借鑒價(jià)值,需要的朋友可以參考下2019-07-07

