内容简介:初级用户:专业用户:通过浏览器访问
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,一键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
安装和配置
- 所有主机都已经安装和启动 Scrapyd
- 开发主机或任一台主机安装 ScrapydWeb :
pip install scrapydweb
- 运行命令
scrapydweb -h
, 将在当前工作目录生成 scrapydweb_settings.py 配置文件 - 启用 HTTP 基本认证
ENABLE_AUTH = True USERNAME = 'username' PASSWORD = 'password' 复制代码
- 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'), ] 复制代码
- 通过运行命令
scrapydweb
启动 ScrapydWeb
访问 Web UI
通过浏览器访问 http://127.0.0.1:5000 ,输入认证信息登录
- 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 JSON API, 实现一次点击,批量执行
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,自动打包和部署指定项目 - 如果 ScrapydWeb 并非运行于当前开发主机,除了支持上传常规的 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
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
日志分析和可视化
- ScrapydWeb 默认在后台定时自动读取和分析 Scrapy log 文件并生成 Stats 页面
- 爬虫进度可视化
邮件通知
- 配置邮箱认证信息
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'] 复制代码
- 设置邮件工作时间和定时通知间隔,以下示例为: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 将会发送邮件告知当前运行任务的统计信息
EMAIL_WORKING_DAYS = [1, 2, 3, 4, 5] EMAIL_WORKING_HOURS = [9, 12, 17] ON_JOB_RUNNING_INTERVAL = 3600 ON_JOB_FINISHED = True 复制代码
- 基于后台定时执行日志分析, ScrapydWeb 提供多种 log 类型触发器及其阈值设置 ,包括 'CRITICAL', 'ERROR', 'WARNING', 'REDIRECT', 'RETRY', 'IGNORE'等。以下示例为:当发现3条或3条以上的 critical 级别的 log 时 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。
LOG_CRITICAL_THRESHOLD = 3 LOG_CRITICAL_TRIGGER_STOP = True LOG_CRITICAL_TRIGGER_FORCESTOP = False ... LOG_IGNORE_TRIGGER_FORCESTOP = False 复制代码
以上就是本文的全部内容,希望本文的内容对大家的学习或者工作能带来一定的帮助,也希望大家多多支持 码农网
猜你喜欢:- python爬虫 | 一文搞懂分布式进程爬虫
- 装个虚拟机,然后拿来玩爬虫!也是极好的!Scrapy分布式爬虫!
- 分布式爬虫对新站的协助
- 分布式通用爬虫框架Crawlab
- 如何构建一个分布式爬虫:基础篇
- 基于redis的分布式爬虫实现方案
本站部分资源来源于网络,本站转载出于传递更多信息之目的,版权归原作者或者来源机构所有,如转载稿涉及版权问题,请联系我们。