Question

我正在使用gevent下载一些html页面。有些网站太慢，有些网站在一段时间后停止提供请求。这就是我必须限制一组请求的总时间的原因。为此，我使用gevent“超时”。

timeout = Timeout(10)
timeout.start()

def downloadSite():
    # code to download site's url one by one
    url1 = downloadUrl()
    url2 = downloadUrl()
    url3 = downloadUrl()
try:
    gevent.spawn(downloadSite).join()
except Timeout:
    print 'Lost state here'

但问题在于，当异常激活时，我会松开所有状态。

想象一下，我抓取网站'www.test.com'。在网站管理员决定切换网络服务器进行维护之前，我已经设法下载了10个网址。在这种情况下，当异常触发时，我将丢失有关已爬网页面的信息。

问题是 - 即使Timeout发生，我如何保存状态并处理数据？

Answer 1

为什么不尝试这样的事情：

timeout = Timeout(10)

def downloadSite(url):
    with Timeout(10):
        downloadUrl(url)

urls = ["url1", "url2", "url3"]

workers = []
limit = 5
counter = 0
for i in urls:
    # limit to 5 URL requests at a time
    if counter < limit:
        workers.append(gevent.spawn(downloadSite, i))
        counter += 1
    else:
        gevent.joinall(workers)
        workers = [i,]
        counter = 0
gevent.joinall(workers)

您还可以在每个URL的dict或其他内容中保存状态，或者在不同的数组中附加失败的状态，以便稍后重试。

Answer 2

一个独立的例子：

import gevent
from gevent import monkey
from gevent import Timeout

gevent.monkey.patch_all()
import urllib2

def get_source(url):
    req = urllib2.Request(url)
    data = None
    with Timeout(2):
        response = urllib2.urlopen(req)
        data = response.read()
    return data

N = 10
urls = ['http://google.com' for _ in xrange(N)]
getlets = [gevent.spawn(get_source, url) for url in urls]
gevent.joinall(getlets)
contents = [g.get() for g in getlets]

print contents[5]

它为每个请求实现一个超时。在此示例中，contents包含10倍于google.com的HTML源代码，每个源代码都在独立请求中检索。如果其中一个请求超时，contents中的相应元素将为None。如果您对此代码有疑问，请随时在评论中提问。

我看到你最后的评论。从编程的角度来看，每个请求定义一个超时肯定没有错。如果您需要限制网站的流量，那么就不要同时生成100个greenlet。 Spawn 5，等到他们回来。然后，你可能会等待一段时间，然后产生接下来的5个（已经在Gabriel Samfira的另一个答案中显示，正如我现在看到的那样）。对于我上面的代码，这意味着你必须重复调用

N = 10
urls = ['http://google.com' for _ in xrange(N)]
getlets = [gevent.spawn(get_source, url) for url in urls]
gevent.joinall(getlets)
contents = [g.get() for g in getlets]

而N不应该太高。

正确的greenlet终止

2 个答案: