tornado实现高并发爬虫

from pyquery import PyQuery as pq
from tornado import ioloop, gen, httpclient, queues
from urllib.parse import urljoin

base_url = "http://www.baidu.com"
concurrency = 8

async def get_url_links(url):
    response = await httpclient.AsyncHTTPClient().fetch(url)
    html = response.body.decode("utf-8")
    p = pq(html)
    links = []
    for tag_a in p("a").items():
        links.append(urljoin(base_url, tag_a.attr("href")))
    return links

async def main():
    seen_set = set()
    q = queues.Queue()

    async def fetch_url(current_url):
        if current_url in seen_set:
            return

        print(f"获取：{current_url}")
        seen_set.add(current_url)

        next_urls = await get_url_links(current_url)
        for next_url in next_urls:
            if next_url.startswith(base_url):
                await q.put(next_url)

    async def worker():
        async for url in q:
            if url is None:
                return
            try:
                await fetch_url(url)
            except Exception as e:
                print(f"exception:{e}")
            finally:
                # 计数器，每进入一个就加1，所以我们调用完了之后，要减去1
                q.task_done()

    # 放入初始url到队列
    await q.put(base_url)

    # 启动协程，同时开启三个消费者
    workers = gen.multi([worker() for _ in range(3)])

    # 会阻塞，直到队列里面没有数据为止
    await q.join()

    for _ in range(concurrency):
        await q.put(None)

    # 等待所有协程执行完毕
    await workers

if __name__ == '__main__':
    ioloop.IOLoop.current().run_sync(main)
"""
获取：http://www.baidu.com
获取：http://www.baidu.com/gaoji/preferences.html
获取：http://www.baidu.com/
获取：http://www.baidu.com/more/
获取：http://www.baidu.com/s?rtt=1&bsst=1&cl=2&tn=news&word=
获取：http://www.baidu.com/cache/sethelp/help.html
获取：http://www.baidu.com/duty/
获取：http://www.baidu.com/search/jiqiao.html
获取：http://www.baidu.com#iec
获取：http://www.baidu.com#circle
获取：http://www.baidu.com#aoyouc
获取：http://www.baidu.com#sougouc
获取：http://www.baidu.com#qqtc
获取：http://www.baidu.com#ttc
获取：http://www.baidu.com#ffc
获取：http://www.baidu.com#chromec
获取：http://www.baidu.com#jishu360c
获取：http://www.baidu.com#world_jishuc
获取：http://www.baidu.com#operac
获取：http://www.baidu.com#worldc
获取：http://www.baidu.com#safaric
获取：http://www.baidu.com#greenc
获取：http://www.baidu.com#krc
获取：http://www.baidu.com#bdbrowserc
获取：http://www.baidu.com/duty/index.html
获取：http://www.baidu.com/copyright.html
获取：http://www.baidu.com/mianze-shengming.html
获取：http://www.baidu.com/right.html
获取：http://www.baidu.com/yinsiquan-policy.html
获取：http://www.baidu.com/yinsiquan-sub.html
获取：http://www.baidu.com/baozhang.html
获取：http://www.baidu.com/index
获取：http://www.baidu.com/search?keywords=%E7%99%BE%E5%BA%A6%E5%B8%90%E5%8F%B7%E8%A2%AB%E5%B0%81%E7%A6%81
获取：http://www.baidu.com/search?keywords=%E5%A6%82%E4%BD%95%E4%B8%BE%E6%8A%A5%E7%BD%91%E7%AB%99
获取：http://www.baidu.com/search?keywords=%E6%8A%95%E8%AF%89%E4%BE%B5%E6%9D%83%E4%BF%A1%E6%81%AF
获取：http://www.baidu.com/search?keywords=%E7%99%BE%E5%BA%A6%E5%B8%90%E5%8F%B7%E8%A2%AB%E7%9B%97
获取：http://www.baidu.com/search?keywords=%E5%B8%90%E5%8F%B7%E7%94%B3%E8%AF%89%E6%9C%AA%E9%80%9A%E8%BF%87
获取：http://www.baidu.com/search?keywords=%E8%B4%B4%E5%90%A7%E8%B4%B4%E5%AD%90%E8%A2%AB%E5%88%A0
获取：http://www.baidu.com/search?keywords=%E5%88%A0%E9%99%A4%2F%E6%9B%B4%E6%96%B0%E5%BF%AB%E7%85%A7
获取：http://www.baidu.com/zhifu
获取：http://www.baidu.com/jubao
获取：http://www.baidu.com/statement
获取：http://www.baidu.com/personalinformation
获取：http://www.baidu.com/more/index.html
获取：http://www.baidu.com/search/jubao.html
"""