python使用tornado实现简单爬虫

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 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)

来源：https://blog.csdn.net/wf134/article/details/79900407