Python tornado队列示例-一个并发web爬虫代码分享_Python

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。

				?

									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)