内容简介:初级用户:专业用户:
来自 Scrapy 官方账号的推荐
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
动图展示
集群多节点部署和运行爬虫项目:
安装和配置
- 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。 - 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配置文件 scrapydweb_settings.py ,可用于下文的自定义配置。 - 启用 HTTP 基本认证:
ENABLE_AUTH = True USERNAME = 'username' PASSWORD = 'password'
- 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'), ]
- 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 HTTP JSON API,实现 一次操作,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,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:)
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
- 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
- 爬虫进度可视化
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 = 'username@qq.com' EMAIL_PASSWORD = 'password' TO_ADDRS = ['username@qq.com']
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。
GitHub 开源
活捉几只官方大佬,赶紧前去围观吧,别忘了 Star 噢!
以上所述就是小编给大家介绍的《如何通过 Scrapyd + ScrapydWeb 简单高效地部署和监控分布式爬虫项目》,希望对大家有所帮助,如果大家有任何疑问请给我留言,小编会及时回复大家的。在此也非常感谢大家对 码农网 的支持!
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。
算法笔记上机训练实战指南
胡凡、曾磊 / 机械工业出版社 / 2016-7 / 57
《算法笔记上机训练实战指南》是《算法笔记》的配套习题集,内容按照《算法笔记》的章节顺序进行编排,其中整理归类了PAT甲级、乙级共150多道题的详细题解,大部分题解均编有题意、样例解释、思路、注意点、参考代码,且代码中包含了详细的注释。读者可以通过本书对《算法笔记》的知识点进行更深入的学习和理解。书中印有大量二维码,用以实时更新或补充书籍的内容及发布本书的勘误。 《算法笔记上机训练实战指南》可......一起来看看 《算法笔记上机训练实战指南》 这本书的介绍吧!