python3 urllib.request 将在 gevent 中永远阻塞

Question

我想编写一个蜘蛛程序来使用python3中的gevent下载网页。这是我的代码：

import gevent
import gevent.pool
import gevent.monkey
import urllib.request

gevent.monkey.patch_all()

def download(url):
    return urllib.request.urlopen(url).read(10)

urls = ['http://www.google.com'] * 100
jobs = [gevent.spawn(download, url) for url in urls]
gevent.joinall(jobs)

但是当我运行它时，出现错误：

Traceback (most recent call last):
File "/usr/local/lib/python3.4/dist-packages/gevent/greenlet.py", line 340, in run
result = self._run(*self.args, **self.kwargs)
File "e.py", line 8, in download
return urllib.request.urlopen(url).read(10)
File "/usr/lib/python3.4/urllib/request.py", line 153, in urlopen
return opener.open(url, data, timeout)

......
return greenlet.switch(self)
gevent.hub.LoopExit: This operation would block forever
<Greenlet at 0x7f4b33d2fdf0: download('http://www.google.com')> failed with LoopExit
......

似乎 urllib.request 阻塞了，所以程序无法运行。如何解决？

Answer 1

这可能是由于在公司网络中设置了代理。个人推荐使用 Selenium 结合美汤，使用浏览器打开 url 链接，可以下载 html 内容，也可以直接控制浏览器。希望对你有帮助

from selenium import webdriver
from bs4 import BeautifulSoup
browser = webdriver.Ie()
url = "http://www.google.com"
browser.get(url)
html_source = browser.page_source
soup = BeautifulSoup(html_source, "lxml")
print(soup)
browser.close()

Answer 2

与Python, gevent, urllib2.urlopen.read(), download accelerator中的问题相同。

重申上述帖子：

要读取的参数是字节数，而不是偏移量。

还有：

您正在尝试读取来自不同 greenlets 的单个请求的响应。

如果您想使用多个并发连接下载同一个文件，那么如果服务器支持，您可以使用 Range http 标头（对于带有 Range 标头的请求，您将获得 206 状态而不是 200）。请参阅 HTTPRangeHandler。