如何通過 Scrapyd + ScrapydWeb 簡單高效地部署和監控分散式爬蟲專案
阿新 • • 發佈:2018-11-15
需求分析
- 初級使用者:
- 只有一臺開發主機
- 能夠通過 Scrapyd-client 打包和部署 Scrapy 爬蟲專案,以及通過 Scrapyd JSON API 來控制爬蟲,感覺命令列操作太麻煩,希望能夠通過瀏覽器直接部署和執行專案
- 專業使用者:
- 有 N 臺雲主機,通過 Scrapy-Redis 構建分散式爬蟲
- 希望整合身份認證
- 希望在頁面上直觀地檢視所有云主機的執行狀態
- 希望能夠自由選擇部分雲主機,一鍵部署和執行爬蟲專案,實現叢集管理
- 希望自動執行日誌分析,以及爬蟲進度視覺化
- 希望在出現特定型別的異常日誌時能夠及時通知使用者,包括自動停止當前爬蟲任務
安裝和配置
- 所有主機都已經安裝和啟動 Scrapyd
- 開發主機或任一臺主機安裝 ScrapydWeb: pip install scrapydweb
- 執行命令 scrapydweb -h ,將在當前工作目錄生成 scrapydweb_settings.py 配置檔案
- 啟用 HTTP 基本認證
ENABLE_AUTH = True USERNAME = 'username' PASSWORD = 'password'
- 新增 Scrapyd server,支援字串和元組兩種配置格式,支援新增認證資訊和分組/標籤
SCRAPYD_SERVERS = [
- 通過執行命令 scrapydweb 啟動 ScrapydWeb
訪問 Web UI
通過瀏覽器訪問 http://127.0.0.1:5000,輸入認證資訊登入
- Overview 頁面自動輸出所有 Scrapyd server 的執行狀態
- 通過分組和過濾可以自由選擇若干臺 Scrapyd server,呼叫 Scrapyd 提供的所有 JSON API,實現一次點選,批量執行
部署專案
- 支援指定若干臺 Scrapyd server 部署專案
- 通過配置 SCRAPY_PROJECTS_DIR 指定 Scrapy 專案開發目錄,ScrapydWeb 將自動列出該路徑下的所有專案,自動打包和部署指定專案
- 如果 ScrapydWeb 並非運行於當前開發主機,除了支援上傳常規的 egg 檔案,也可以將單個專案資料夾新增到 zip/tar/tar.gz 壓縮檔案後直接上傳即可
執行爬蟲
- 通過下拉框直接選擇 project,version 和 spider
- 支援傳入 Scrapy settings 和 spider arguments
- 同樣支援指定若干臺 Scrapyd server 執行爬蟲
日誌分析和視覺化
- ScrapydWeb 預設在後臺定時自動讀取和分析 Scrapy log 檔案並生成 Stats 頁面
- 爬蟲進度視覺化
郵件通知
- 配置郵箱認證資訊
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]']
- 設定郵件工作時間和定時通知間隔,以下示例為:每隔1小時或某一任務完成時,並且當前時間是工作日的9點,12點和17點,ScrapydWeb 將會發送郵件告知當前執行任務的統計資訊
EMAIL_WORKING_DAYS = [1, 2, 3, 4, 5] EMAIL_WORKING_HOURS = [9, 12, 17] ON_JOB_RUNNING_INTERVAL = 3600 ON_JOB_FINISHED = True
- 基於後臺定時執行日誌分析,ScrapydWeb 提供多種 log 型別觸發器及其閾值設定,包括 'CRITICAL', 'ERROR', 'WARNING', 'REDIRECT', 'RETRY', 'IGNORE'等。以下示例為:當發現3條或3條以上的 critical 級別的 log 時自動停止當前任務,如果當前時間在郵件工作時間內,則同時傳送通知郵件。
LOG_CRITICAL_THRESHOLD = 3 LOG_CRITICAL_TRIGGER_STOP = True LOG_CRITICAL_TRIGGER_FORCESTOP = False ... LOG_IGNORE_TRIGGER_FORCESTOP = False
Github 開源
my8100 / scrapydweb 更多實用功能正在開發中,歡迎 Star 和提交 Issue