怎么在python中利用tornado实现一个爬虫

这期内容当中小编将会给大家带来有关怎么在python中利用tornado实现一个爬虫，文章内容丰富且以专业的角度为大家分析和叙述，阅读完这篇文章希望大家可以有所收获。

# 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)

上述就是小编为大家分享的怎么在python中利用tornado实现一个爬虫了，如果刚好有类似的疑惑，不妨参照上述分析进行理解。如果想知道更多相关知识，欢迎关注亿速云行业资讯频道。