如何通过Scrapyd+ScrapydWeb简单高效地部署和监控分布式爬虫项目-成都创新互联网站建设

关于创新互联

多方位宣传企业产品与服务 突出企业形象

公司简介 公司的服务 荣誉资质 新闻动态 联系我们

如何通过Scrapyd+ScrapydWeb简单高效地部署和监控分布式爬虫项目

如何通过 Scrapyd + ScrapydWeb 简单高效地部署和监控分布式爬虫项目

创新互联公司专业为企业提供伊春网站建设、伊春做网站、伊春网站设计、伊春网站制作等企业网站建设、网页设计与制作、伊春企业网站模板建站服务,十年伊春做网站经验,不只是建网站,更提供有价值的思路和整体网络服务。

安装和配置

  1. 请先确保所有主机都已经安装和启动 Scrapyd,如果需要远程访问 Scrapyd,则需将 Scrapyd 配置文件中的 bind_address 修改为 bind_address = 0.0.0.0,然后重启 Scrapyd service。
  2. 开发主机或任一台主机安装 ScrapydWebpip install scrapydweb
  3. 通过运行命令 scrapydweb 启动 ScrapydWeb(首次启动将自动在当前工作目录生成配置文件)。
  4. 启用 HTTP 基本认证(可选):
    ENABLE_AUTH = True
    USERNAME = 'username'
    PASSWORD = 'password'
  5. 添加 Scrapyd server,支持字符串和元组两种配置格式,支持添加认证信息和分组/标签:
    SCRAPYD_SERVERS = [
    '127.0.0.1',
    # 'username:password@localhost:6801#group',
    ('username', 'password', 'localhost', '6801', 'group'),
    ]
  6. 运行命令 scrapydweb 重启 ScrapydWeb

访问 web UI

通过浏览器访问并登录 http://127.0.0.1:5000。

  • Servers 页面自动输出所有 Scrapyd server 的运行状态。
  • 通过分组和过滤可以自由选择若干台 Scrapyd server,然后在上方 Tabs 标签页中选择 Scrapyd 提供的任一 HTTP JSON API,实现一次操作,批量执行

如何通过 Scrapyd + ScrapydWeb 简单高效地部署和监控分布式爬虫项目

  • 通过集成 LogParser,Jobs 页面自动输出爬虫任务的 pages 和 items 数据。
  • ScrapydWeb 默认通过定时创建快照将爬虫任务列表信息保存到数据库,即使重启 Scrapyd server 也不会丢失任务信息。(issue 12)

如何通过 Scrapyd + ScrapydWeb 简单高效地部署和监控分布式爬虫项目

部署项目

  • 通过配置 SCRAPY_PROJECTS_DIR 指定 Scrapy 项目开发目录,ScrapydWeb 将自动列出该路径下的所有项目,默认选定最新编辑的项目,选择项目后即可自动打包和部署指定项目。
  • 如果 ScrapydWeb 运行在远程服务器上,除了通过当前开发主机上传常规的 egg 文件,也可以将整个项目文件夹添加到 zip/tar/tar.gz 压缩文件后直接上传即可,无需手动打包为 egg 文件。
  • 支持一键部署项目到 Scrapyd server 集群。

如何通过 Scrapyd + ScrapydWeb 简单高效地部署和监控分布式爬虫项目

运行爬虫

  • 通过下拉框依次选择 project,version 和 spider。
  • 支持传入 Scrapy settings 和 spider arguments。
  • 支持创建基于 APScheduler 的定时爬虫任务。(如需同时启动大量爬虫任务,则需调整 Scrapyd 配置文件的 max-proc 参数)
  • 支持在 Scrapyd server 集群上一键启动分布式爬虫。

如何通过 Scrapyd + ScrapydWeb 简单高效地部署和监控分布式爬虫项目

日志分析和可视化

  • 如果在同一台主机运行 Scrapyd 和 ScrapydWeb,建议设置 SCRAPYD_LOGS_DIRENABLE_LOGPARSER,则启动 ScrapydWeb 时将自动运行 LogParser,该子进程通过定时增量式解析指定目录下的 Scrapy 日志文件以加快 Stats 页面的生成,避免因请求原始日志文件而占用大量内存和网络资源。
  • 同理,如果需要管理 Scrapyd server 集群,建议在其余主机单独安装和启动 LogParser
  • 如果安装的 Scrapy 版本不大于 1.5.1,LogParser 将能够自动通过 Scrapy 内建的 Telnet Console 读取 Crawler.stats 和 Crawler.engine 数据,以便掌握 Scrapy 内部运行状态。

如何通过 Scrapyd + ScrapydWeb 简单高效地部署和监控分布式爬虫项目

定时爬虫任务

  • 支持查看爬虫任务的参数信息,追溯历史记录
  • 支持暂停,恢复,触发,停止,编辑和删除任务等操作

如何通过 Scrapyd + ScrapydWeb 简单高效地部署和监控分布式爬虫项目

邮件通知

通过轮询子进程在后台定时模拟访问 Stats 页面,ScrapydWeb 将在满足特定触发器时根据设定自动停止爬虫任务并发送通知邮件,邮件正文包含当前爬虫任务的统计信息。

  1. 添加邮箱帐号:
    SMTP_SERVER = 'smtp.qq.com'
    SMTP_PORT = 465
    SMTP_OVER_SSL = True
    SMTP_CONNECTION_TIMEOUT = 10

EMAIL_USERNAME = '' # defaults to FROM_ADDR
EMAIL_PASSWORD = 'password'
FROM_ADDR = 'username@qq.com'
TO_ADDRS = [FROM_ADDR]


2. 设置邮件工作时间和基本触发器,以下示例代表:每隔1小时或当某一任务完成时,并且当前时间是工作日的9点,12点和17点,*ScrapydWeb* 将会发送通知邮件。
```python
EMAIL_WORKING_DAYS = [1, 2, 3, 4, 5]
EMAIL_WORKING_HOURS = [9, 12, 17]
ON_JOB_RUNNING_INTERVAL = 3600
ON_JOB_FINISHED = True
  1. 除了基本触发器,ScrapydWeb 还提供了多种触发器用于处理不同类型的 log,包括 'CRITICAL', 'ERROR', 'WARNING', 'REDIRECT', 'RETRY' 和 'IGNORE'等。
    LOG_CRITICAL_THRESHOLD = 3
    LOG_CRITICAL_TRIGGER_STOP = True
    LOG_CRITICAL_TRIGGER_FORCESTOP = False
    # ...
    LOG_IGNORE_TRIGGER_FORCESTOP = False

    以上示例代表:当日志中出现3条或以上的 critical 级别的 log 时,ScrapydWeb 将自动停止当前任务,如果当前时间在邮件工作时间内,则同时发送通知邮件。

移动端 UI

如何通过 Scrapyd + ScrapydWeb 简单高效地部署和监控分布式爬虫项目

GitHub 开源

my8100/scrapydweb


标题名称:如何通过Scrapyd+ScrapydWeb简单高效地部署和监控分布式爬虫项目
当前路径:http://kswsj.cn/article/ieocpd.html

其他资讯