Queue

实现了异步的生产者、调用者模式,和python中的threads的queue一样。

Queue.get会直到队列中有值才会返回,如果队列设置了最大值,那么如果队列满了,则Queue.put会阻塞直到有了空位。Queue中保存的是未完成的任务,初始值是0,put增加,task_done减少。

爬虫例子:

起始,队列中值有一个base url,worker获取到一个页面然后解析,再放一个新的进来,在调用task_done来减少数量,最终所有的页面都爬取完了,队列中数量为0,主循环中获得通知。

# coding: utf-8
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):
    """
    从队列中取出一个url 然后解析

    :param url:
    :return:
    """

    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)


def remove_fragment(url):
    """
    清除url中的#

    :param url:
    :return:
    """
    pure_url, frag = urldefrag(url)
    return pure_url


def get_links(html):
    """
    获取html页面中的链接

    :param html:
    :return:
    """
    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():

    q = queues.Queue()
    start = time.time()
    fetching, fetched = set(), set()

    @gen.coroutine
    def fetch_url():
        current_url = yield q.get()  # 队列中取出一个url
        try:
            if current_url in fetching:
                return

            print('fetching %s' % current_url)
            fetching.add(current_url)  # 加入到正在爬取的集合中
            urls = yield get_links_from_url(current_url)  # 启动
            fetched.add(current_url)  # 加入到已经爬取完毕的集合中

            for new_url in urls:
                # 需要以base url开头的 不然有外链就爬的没完了
                if new_url.startswith(base_url):
                    yield q.put(new_url)  # 放入该url到队列中

        finally:
            q.task_done()  # 删除这个url

    @gen.coroutine
    def worker():
        while True:
            yield fetch_url()

    q.put(base_url)  # 放入base url

    for _ in range(concurrency):
        # 启动从currency个数的worker
        worker()

    yield q.join(timeout=timedelta(seconds=300))  # 直到队列空了才返回
    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)
最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。

推荐阅读更多精彩内容

  • 1 队列简介 The Queue module has been renamed to queue in Pyth...
    rebirth_2017阅读 256评论 0 0
  • Spring Cloud为开发人员提供了快速构建分布式系统中一些常见模式的工具(例如配置管理,服务发现,断路器,智...
    卡卡罗2017阅读 135,180评论 19 139
  • Queue接口与List、Set同一级别,都是继承了Collection接口。LinkedList实现了Queue...
    天空下天的月亮阅读 911评论 0 2
  • Queue类即是一个队列的同步实现。 队列长度可为无限或者有限。可通过Queue的构造函数的可选参数maxsize...
    zksmile阅读 527评论 0 0
  • 谪仙本自云汉来,不逐波流不入俗; 十年同城陌路人,三年同路相视熟; 相问一句炼字久,人海喧闹难寻顾; 云开水破再难...
    谪仙之人阅读 277评论 1 1