Tornado并发爬虫代码示例

落魄码农在线炒粉 lv.1

发布时间：2023-02-04 15:35:27 227

相关标签： # html# python# 爬虫

我们知道当在进行单线程爬虫抓取时，一次按照一个网页抓取方式这样效率太低，也浪费了人力物力。然而目前多并发抓取的主要方式有：进程，线程，协程。

所以，我们今天讨论的是，在单个爬虫的情况下，尽可能的在同一个时间并发抓取，并且抓取的效率要高。

一个并发网络爬虫

Tornado的 tornado.queues 模块实现了异步生产者/消费者模式的协程, 类似于通过Python 标准库的 queue实现线程模式。

一个yield Queue.get 的协程直到队列中有值的时候才会暂停. 如果队列设置了最大长度yield Queue.put 的协程直到队列中有空间才会暂停。

一个Queue从0开始对完成的任务进行计数. Queue.put 加计数;Queue.task_done减少计数。

这里的网络爬虫的例子, 队列开始的时候只包含base_url. 当一个worker抓取到一个页面它会解析链接并把它添加到队列中, 然后调用Queue.task_done 减少计数一次. 最后, 当一个worker抓取到的页面URL都是之前抓取到过的并且队列中没有任务了.于是worker调用 Queue.task_done 把计数减到0. 等待 Queue.join 的主协程取消暂停并且完成。

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)    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 = []            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)

文章来源： https://blog.51cto.com/u_13488918/6026086

特别声明：以上内容（图片及文字）均为互联网收集或者用户上传发布，本站仅提供信息存储服务！如有侵权或有涉及法律问题请联系我们。