使用Tornado和协程爬取博客园文章
Python3.5后 Tornado官方建议使用async和await的方式实现异步程序，尝试了下使用Tornado和协程爬取博客园的文章并使用peewee_async异步写入MySQL数据库。
一. 博客园文章抓取测试：
这里我以我自己的一篇文章详情作为测试url，https://www.cnblogs.com/FG123/p/9934244.html ，主要是抓取文章标题、内容及作者信息：
文章标题、内容、作者用户名可通过上述的详情页url获取，但是作者信息需通过http://www.cnblogs.com/mvc/blog/news.aspx?blogApp=FG123获取，FG123是我这篇文章的作者用户名，下面看使用beautiful soup抓取测试的代码及结果：
detail_article_html = requests.get("https://www.cnblogs.com/FG123/p/9934244.html").content
author_profile_html = requests.get("http://www.cnblogs.com/mvc/blog/news.aspx?blogApp=FG123").content
detail_soup = BeautifulSoup(detail_article_html)
title = detail_soup.find(id="cb_post_title_url").get_text()
info = detail_soup.find(id="cnblogs_post_body")
author_soup = BeautifulSoup(author_profile_html)
author = author_soup.select('div > a')
author_name = author[0].get_text()
blog_age = author[1].get_text()
fans_num = author[2].get_text()
follow_num = author[3].get_text()
print("文章标题：{}".format(title))
print("博主昵称：{}".format(author_name))
print("博主园龄：{}".format(blog_age))
print("粉丝数：{}".format(fans_num))
print("关注数：{}".format(follow_num))
print("文章内容：{}".format(info))
结果：
二. 使用Tornado和协程异步抓取逻辑：
这里的抓取逻辑采用tornado官方文档爬虫例子的逻辑，使用Tornado的Queue实现异步生产者/消费者模式，当Queue满时会切换协程，首先定义协程通过解析url获取相关链接并去除无效的链接：
1 async def get_links_from_url(url):
2 """
3 通过AsyncHTTPClient异步fetch url，
4 通过BeautifulSoup提取解析内容中的所有url
5 :param url:
6 :return:
7 """
8 response = await httpclient.AsyncHTTPClient().fetch(url)
9 print('fetched %s' % url)
10
11 html = response.body.decode("utf8", errors='ignore')
12 soup = BeautifulSoup(html)
13 return set([urljoin(url, remove_fragment(a.get("href")))
14 for a in soup.find_all("a", href=True)])
15
16
17 def remove_fragment(url):
18 """
19 去除无效的链接
20 :param url:
21 :return:
22 """
23 pure_url, frag = urldefrag(url)
24 return pure_url
当前url通过调用协程获取它包含的有效url_list，并将非外链接的url放入tornado的queue中：
1 async def fetch_url(current_url):
2 """
3 fetching是已爬取过的url集合，
4 通过调用协程get_links_from_url获取current_url所有的url，
5 并将 非外链接 放入到queue中
6 :param current_url:
7 :return:
8 """
9 if current_url in fetching:
10 return
11
12 print('fetching %s' % current_url)
13 fetching.add(current_url)
14 urls = await get_links_from_url(current_url)
15 fetched.add(current_url)
16
17 for new_url in urls:
18 # 非外链接
19 if new_url.startswith(base_url) and new_url.endswith(".html"):
20 await q.put(new_url)
使用async for的方式取出queue中的url，并调用协程fetch_url获取它包含的urls，调用协程get_info_data获取url页面详情数据：
1 async def worker():
2 """
3 使用async for的方式取出q中的url
4 并调用协程fetch_url获取它包含的urls
5 调用协程get_info_data获取url页面详情数据
6 :return:
7 """
8 async for url in q:
9 if url is None:
10 return
11 try:
12 await fetch_url(url)
13 await get_info_data(url)
14 except Exception as e:
15 print('Exception: %s %s' % (e, url))
16 finally:
17 q.task_done()
定义主协程，通过tornado的gen.multi同时初始化concurrency个协程，并将协程放入到事件循环中等待完成，等到队列全部为空或超时的时候放入与协程数量相同的None来结束协程的事件循环。
1 async def main():
2 """
3 主协程，通过tornado的gen.multi同时初始化concurrency个协程，
4 并将协程放入到事件循环中等待完成，等到队列全部为空或超时
5 :return:
6 """
7 q = queues.Queue()
8 start = time.time()
9 fetching, fetched = set(), set()
10
11 # 放入初始url到队列
12 await q.put(base_url)
13
14 workers = gen.multi([worker() for _ in range(concurrency)])
15 await q.join(timeout=timedelta(seconds=300))
16 assert fetching == fetched
17 print('Done in %d seconds, fetched %s URLs.' % (
18 time.time() - start, len(fetched)))
19
20 # 队列中放入concurrency数量的None 结束相应协程 在worker()中取到None会结束
21 for _ in range(concurrency):
22 await q.put(None)
23
24 await workers
三. 使用peewee_async和aiomysql将爬取的数据异步写入MySQL数据库
使用peewee创建并生成model：
1 # coding:utf-8
2 from peewee import *
3 import peewee_async
4
5 database = peewee_async.MySQLDatabase(
6 'xxx', host="192.168.xx.xx",
7 port=3306, user="root", password="xxxxxx"
8 )
9
10 objects = peewee_async.Manager(database)
11
12 database.set_allow_sync(True)
13
14
15 class Blogger(Model):
16 article_id = CharField(max_length=50, verbose_name="文章ID")
17 title = CharField(max_length=150, verbose_name="标题")
18 content = TextField(null=True, verbose_name="内容")
19 author_name = CharField(max_length=50, verbose_name="博主昵称")
20 blog_age = CharField(max_length=50, verbose_name="园龄")
21 fans_num = IntegerField(null=True, verbose_name="粉丝数")
22 follow_num = IntegerField(null=True, verbose_name="关注数")
23
24 class Meta:
25 database = database
26 table_name = "blogger"
27
28
29 def init_table():
30 database.create_tables([Blogger])
31
32
33 if __name__ == "__main__":
34 init_table()
获取博客文章的详情信息，并将信息异步写入MySQL数据库：
1 async def get_info_data(url):
2 """
3 获取详情信息并异步写入MySQL数据库
4 :param url:
5 :return:
6 """
7 response = await httpclient.AsyncHTTPClient().fetch(url)
8 html = response.body.decode("utf8")
9 soup = BeautifulSoup(html)
10 title = soup.find(id="cb_post_title_url").get_text()
11 content = soup.find(id="cnblogs_post_body")
12 name = url.split("/")[3]
13 article_id = url.split("/")[-1].split(".")[0]
14 author_url = "http://www.cnblogs.com/mvc/blog/news.aspx?blogApp={}".format(name)
15 author_response = await httpclient.AsyncHTTPClient().fetch(author_url)
16 author_html = author_response.body.decode("utf8")
17 author_soup = BeautifulSoup(author_html)
18 author = author_soup.select('div > a')
19 author_name = author[0].get_text()
20 blog_age = author[1].get_text()
21 fans_num = author[2].get_text()
22 follow_num = author[3].get_text()
23 await objects.create(
24 Blogger, title=title,
25 article_id=article_id,
26 content=content,
27 author_name=author_name,
28 blog_age=blog_age,
29 fans_num=fans_num,
30 follow_num=follow_num
31 )
爬取结果：
简单体验了下使用Tornado结合协程的方式爬取博客园，这里我开启了10个协程，已经感觉速度很快了，协程间的切换开销是非常小的，而且一个线程或进程可以拥有多个协程，经过实测相比多线程的爬虫确实要快些。
