如何简单高效地部署和监控分布式爬虫项目 - 文章 - 开发者社区

picture.image

图为本项目来自 Scrapy 官方账号的推荐

♚

作者：my8100，Python 开发爱好者。

GitHub：github.com/my8100

一、需求分析

初级用户：

只有一台开发主机
能够通过 Scrapyd-client 打包和部署 Scrapy 爬虫项目，以及通过 Scrapyd JSON API 来控制爬虫，感觉 命令行操作太麻烦 ，希望能够通过浏览器直接部署和运行项目

专业用户：

有 N 台云主机，通过 Scrapy-Redis 构建分布式爬虫
希望集成身份认证
希望在页面上直观地查看所有云主机的运行状态
希望能够 自由选择部分云主机，批量部署和运行爬虫项目，实现集群管理
希望自动执行日志分析，以及爬虫进度可视化
希望在出现特定类型的异常日志时能够及时通知用户，包括自动停止当前爬虫任务

二、动图预览

集群多节点部署项目和运行爬虫：

picture.image

三、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。

2、开发主机或任一台主机安装 ScrapydWeb： pip install scrapydweb

3、运行命令 scrapydweb -h ，将在当前工作目录生成配置文件 scrapydweb_settings.py ，可用于下文的自定义配置。

4、启用 HTTP 基本认证：


        
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、通过运行命令 scrapydweb

启动 ScrapydWeb

四、访问 Web UI

通过浏览器访问并登录 http://127.0.0.1:5000

Overview 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，调用 Scrapyd 提供的所有 HTTP JSON API，实现 一次操作，批量执行

picture.image

五、部署项目

支持指定若干台 Scrapyd server 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，选择项目后即可自动打包和部署指定项目：

picture.image

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：

picture.image

六、运行爬虫

通过下拉框直接选择 project，version 和 spider
支持传入 Scrapy settings 和 spider arguments
同样支持指定若干台 Scrapyd server 运行爬虫

picture.image

七、日志分析和可视化

默认情况下，ScrapydWeb 将在后台定时自动读取和分析 Scrapy log 文件并生成 Stats 页面

picture.image

爬虫进度可视化

picture.image

八、邮件通知

基于后台定时读取和分析 Scrapy log 文件，ScrapydWeb 将在满足特定触发器时发送通知邮件 ，邮件正文包含当前运行任务的统计信息。

1、添加邮箱帐号：


        
SMTP\_SERVER = 'smtp.qq.com'  
SMTP\_PORT = 465  
SMTP\_OVER\_SSL = True  
SMTP\_CONNECTION\_TIMEOUT = 10  
  
FROM\_ADDR = 'username@qq.com'  
EMAIL\_PASSWORD = 'password'  
TO\_ADDRS = ['username@qq.com']

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。


        
EMAIL\_WORKING\_DAYS = [1, 2, 3, 4, 5]  
EMAIL\_WORKING\_HOURS = [9, 12, 17]  
ON\_JOB\_RUNNING\_INTERVAL = 3600  
ON\_JOB\_FINISHED = True

3、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：当发现3条或3条以上的 critical 级别的 log 时，ScrapydWeb 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。

九、GitHub 开源

活捉几只官方大佬，赶紧前去围观吧，别忘了 Star 噢！

https://github.com/my8100/scrapydweb

picture.image

▼ 点击下方 阅读原文 ，进入本项目