本文實例為大家分享了python使用tornado實現簡單爬蟲的具體代碼，供大家參考，具體內容如下

代碼在官方文檔的示例代碼中有,但是作為一個tornado新手來說閱讀起來還是有點困難的,于是我在代碼中添加了注釋,方便理解,代碼如下:

# 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

# 設置要爬取的網址

base_url = 'http://www.baidu.com'

# 設置worker數量

concurrency = 10

# 此代碼會獲取base_url下的所有其他url

@gen.coroutine

def get_links_from_url(url):

try:

# 通過異步向url發起請求

response = yield httpclient.AsyncHTTPClient().fetch(url)

print('fetched %s' % url)

# 響應如果是字節類型 進行解碼

html = response.body if isinstance(response.body, str) \

else response.body.decode(errors='ignore')

# 構建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))

# 報錯返回空列表

raise gen.Return([])

# 返回url列表

raise gen.Return(urls)

def remove_fragment(url):

#去除錨點

pure_url, frag = urldefrag(url)

return pure_url

def get_links(html):

#從html頁面里提取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():

# 創建隊列

q = queues.Queue()

# 記錄開始時間戳

start = time.time()

# 構建兩個集合

fetching, fetched = set(), set()

@gen.coroutine

def fetch_url():

# 從隊列中取出數據

current_url = yield q.get()

try:

# 如果取出的數據在隊列中已經存在 返回

if current_url in fetching:

return

print('fetching %s' % current_url)

# 如果不存在添加到集合當中

fetching.add(current_url)

# 從新放入的鏈接中繼續獲取鏈接

urls = yield get_links_from_url(current_url)

# 將已經請求玩的url放入第二個集合

fetched.add(current_url)

for new_url in urls:

# Only follow links beneath the base URL

# 如果鏈接是以傳入的url開始則放入隊列

if new_url.startswith(base_url):

yield q.put(new_url)

finally:

# 隊列內數據減一

q.task_done()

@gen.coroutine

def worker():

while True:

# 保證程序持續運行

yield fetch_url()

# 將第一個url放入隊列

q.put(base_url)

# Start workers, then wait for the work queue to be empty.

for _ in range(concurrency):

# 啟動對應數量的worker

worker()

# 等待隊列數據處理完成

yield q.join(timeout=timedelta(seconds=300))

# 如果兩個集合不相等拋出異常

assert fetching == fetched

# 打印執行時間

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內容，希望對大家的學習有所幫助，也希望大家多多支持腳本之家。

總結

以上是生活随笔為你收集整理的tornado 获取html,python使用tornado实现简单爬虫的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。