tornado 获取html,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)
以上就是本文的全部内容,希望对大家的学习有所帮助,也希望大家多多支持脚本之家。
tornado 获取html,python使用tornado实现简单爬虫相关推荐
- python绘制糖葫芦_python简单爬虫(一)
学习python前纠结了下,到底是应该一个个知识点吃透,然后写些小程序.还是应该快速掌握基础语法,快速实践.思考后认为前者这么学习速度真心不高,于是花2天时间看了下python3的语法,虽然很多都不明 ...
- python最简单的爬虫代码,python小实例一简单爬虫
python新手求助 关于爬虫的简单例子 #coding=utf-8from bs4 import BeautifulSoupwith open('', 'r') as file: fcontent ...
- Python(五)——简单爬虫学习
掌握爬虫是很有用的技能,也是python中非常受欢迎的一种应用. "学会爬虫,我们就掌握了整个世界",虽然没有这么夸张,但确实可以通过爬虫去爬取很多你所需要的数据. 本章节仅介绍轻 ...
- 爬虫软件python功能_python实现简单爬虫功能的示例
python开源工具列表[持续更新] 以下是个人在工作中整理的一些python wheel,供参考.这个列表包含与网页抓取和数据处理的Python库 网络 通用urllib -网络库(stdlib). ...
- python抓取图片_Python3简单爬虫抓取网页图片
现在网上有很多python2写的爬虫抓取网页图片的实例,但不适用新手(新手都使用python3环境,不兼容python2), 所以我用Python3的语法写了一个简单抓取网页图片的实例,希望能够帮助到 ...
- python:第一个简单爬虫程序
爬虫的套路 爬虫就是模拟浏览器行为,将别人网站的内容,抓取下来,提取自己想要的内容. 第一步:分析爬取网站的url,请求的url需要哪些参数呀,要不要用户认证等. 第二步:模拟浏览器行为进行网络请求. ...
- 用python写一个简单的爬虫_用Python从零开始写一个简单爬虫
import requests from bs4 import BeautifulSoup url = "https://tieba.baidu.com/f?kw=王者荣耀&fr=h ...
- Python 小白上手的简单爬虫——肯德基——一蓑烟雨任平生
老规矩,直接上代码 # -*- coding: utf-8 -*- """ @Time : 2021/1/22 10:46 @Auth : 张张呀 @File :肯德基. ...
- 【python】实现网络简单爬虫
转自:https://blog.csdn.net/feit2417/article/details/85925586
最新文章
- 前端白屏问题_前端优化-如何计算白屏和首屏时间
- vector邻接表建图+dijkstra模板
- OpenCV中像素逻辑运算:逻辑与运算
- oracle manager 配置,Oracle Net Manager 基本配置
- 中国人民大学教授杜小勇:One Size Does not Fit All?
- 正则匹配后缀 html,如何用正则匹配后缀名不为.jpg, .css, .js, .html, .htm, .png的文件...
- python和java学哪个好-Python VS Java,学哪个更有前途?
- 用于语音情绪识别的基于对抗学习的说话人无关的表示
- elementui的表格在使用v-if之后列的顺序错乱问题
- 地学计算方法/地统计学(第一章绪论)
- dbc2000 v2.0官方版
- 1384. 按年度列出销售总额
- 香肠派对学计算机,香肠派对电脑版:雷电模拟器教你轻松吃鸡
- 433芯片的基本原理和对应优缺点理解
- MyBatis框架学习笔记02:使用MyBatis实现CRUD操作
- 【绘图杂记16】Echarts 热力矩阵图
- c语言画bmp五星红旗图片,用asp程序编写一个bmp图片格式的五星红旗
- 洛咕 P3964 [TJOI2013]松鼠聚会
- 【andriod】 设备APP连接云端平台的各种细节部署和操作
- ecshop二次开发--电子票
热门文章
- ztree在刷新时第一个父节点消失_第一个关于中式菜谱的智能问答机器人小程序正式上线啦...
- mybatisplus 操作另一个数据库的数据_MySQL的数据库操作详解
- 回拨系统服务器,CISCO接入服务器回拨功能的实现
- android aop 权限检查,AOP简单拦截实现验证权限功能
- mysql去重取最大值,逻辑类似oracle的over(partition by)函数
- php金字塔手动输入行数,[菜鸟学php] php版自定义函数实现金字塔
- python手枪_Python入门,爬虫训练——枪械查询
- 在K40小破卡训练50层BERT Large的宝藏trick
- Spring Boot中使用MongoDB的连接池配置
- iPhone X 刘海打理指北