部署Scrapy分布式爬虫项目

高效部署和监控Scrapy分布式爬虫项目

img

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：

我精心准备了大量学习资料，加入千人交流群：923414804获取大量学习资料与入门教程。

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

img

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：

img

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：

img

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

img

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

img

爬虫进度可视化

img

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 = '[email protected]'
EMAIL_PASSWORD = 'password'
TO_ADDRS = ['[email protected]']

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

img