虽然最近爬虫的风声很紧，有大数据公司因为爬虫而犯法，但是这简单基础的技术我们还是应该掌握的，做数据挖掘没有数据怎么挖掘，爬取的数据不要用来商用，问题应该不大，下面给大家介绍下scrapy分布式爬虫部署与监控。
一、准备条件
1.scrapy爬虫
项目部署之前需要一个编写完成，并且可以直接运行的scrapy爬虫，这里只介绍爬虫的部署与监控，如果想了解scrapy的知识，请进入scrapy的官网：
https://scrapy-chs.readthedocs.io/zh_CN/0.24/intro/tutorial.html
2.scrapyd
Scrapyd是一个服务，用来运行scrapy爬虫的，可以部署和管理scrapy项目，它允许你部署你的scrapy项目以及通过HTTP JSON的方式控制你的爬虫。官方文档：http://scrapyd.readthedocs.org/
安装：
pip install scrapyd
安装完成后，在你当前的python环境根目录F:\software\Python37\Scripts下，有一个scrapyd.exe：
打开命令行，输入scrapyd，如下图：
这样scrapyd就运行起来了，访问127.0.0.1:6800即可看到可视化界面：
注：如果在命令行运行scrapyd报错如下图：
先pip list 查看你的attrs这个包的版本 然后降到16.3 再试试。
理解scrapyd
scrapyd其实就是一个服务器端，真正在部署爬虫的时候，我们需要两个东西：
scrapyd (安装在服务器端)
scrapy-client (客户端)
scrapy-client，它允许我们将本地的scrapy项目打包发送到scrapyd 这个服务端
安装 scrapy-client：pip install scrapyd-client
二、部署scrapy服务
在scrapy项目目录下，有一个scrapy.cfg的配置文件：
把原先注释掉的url那一行取消注释，这个就是我们要部署到目标服务器的地址，
然后，把[deploy]这里改为[deploy:dmovie]，这里是命名为dmovie，命名可以任意怎么都可以，只要能标识出来项目就可以。
下边的project 就是我们的工程名，到此配置文件更改完成。
接着，执行scrapyd-deploy，这个命令在windows下是运行不了的，（在mac和linux下都是可以的）因为在我们安装的根目录C:\Program Files\Python35\Scripts中可以查看这个文件是没有后缀名的：
解决方法：在同目录下，新建文件scrapyd-deploy.bat
上边代码是调用的我的环境中的python.exe路径，大家可以根据自己环境来改变路径做配置。
这样就可以执行scrapyd-deploy这个命令了。
然后，进入到我们爬虫的根目录，运行scrapyd-deploy:
显示这个就证明我们成功执行了scrapyd-deploy，注意：一定要进入爬虫根目录，就是带有scrapy.cfg的那一层及目录。
接着：
运行：scrapyd-deploy dmovie -p DYTT
到这一步，只是把爬虫项目上传到服务端，并没有启动，
接下来看看如何启动：
先运行命令查看服务端状态：curl http://localhost:6800/daemonstatus.json
再执行启动命令：
curl http://localhost:6800/schedule.json-d project=DYTT -d spider=dytt
然后查看网页127.0.0.1:6800
点击jobs:
三、scrapydweb
1.安装与配置
a，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。
b，开发主机或任一台主机安装 ScrapydWeb：pip install scrapydweb
c，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）。
d，启用 HTTP 基本认证（可选）：
e，运行命令 scrapydweb 重启 ScrapydWeb。
2.访问webUi
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。
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)
3.项目部署
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
4.运行爬虫
a.通过下拉框依次选择 project，version 和 spider。
b.支持传入 Scrapy settings 和 spider arguments。
c.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)
d.支持在 Scrapyd server 集群上一键启动分布式爬虫。
5.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_DIR 和 ENABLE_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。
6.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
7.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。
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 = '[email protected]'
TO_ADDRS = [FROM_ADDR]
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。
EMAIL_WORKING_HOURS = [9, 12, 17]
ON_JOB_RUNNING_INTERVAL = 3600
ON_JOB_FINISHED = True
EMAIL_WORKING_DAYS = [1, 2, 3, 4, 5]
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。
#######################################################
创作不易，感觉文章还可以，微信扫一扫打赏给1元喝咖啡。
