如何简单高效地部署和监控分布式爬虫项目

:abc: English | :mahjong:️ 简体中文 | :back: ScrapydWeb

如何简单高效地部署和监控分布式爬虫项目

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 ScrapydWeb ： pip 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 。

• 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 )

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。

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。

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。

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

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。

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

:back: ScrapydWeb