内容简介:基于Celery的爬虫分布式爬虫管理平台,支持多种编程语言以及多种爬虫框架.Github:请更改配置文件
基于Celery的爬虫分布式爬虫管理平台,支持多种编程语言以及多种爬虫框架.
Github: github.com/tikazyq/cra…
安装
# 安装后台类库 pip install -r ./crawlab/requirements.txt 复制代码
# 安装前台类库 cd frontend npm install 复制代码
配置
请更改配置文件 config.py
,配置API和数据库连接.
快速开始
# 运行所有服务 python manage.py run_all 复制代码
# 运行前端 cd frontend npm run dev 复制代码
截图
首页
爬虫列表
爬虫详情 - 概览
任务详情 - 抓取结果
架构
Crawlab的架构跟Celery非常相似,但是加入了包括前端、爬虫、Flower在内的额外模块,以支持爬虫管理的功能。
节点
节点其实就是Celery中的Worker。一个节点运行时会连接到一个任务队列(例如Redis)来接收和运行任务。所有爬虫需要在运行时被部署到节点上,用户在部署前需要定义节点的IP地址和端口。
爬虫
自动发现
在 config.py
文件中,修改变量 PROJECT_SOURCE_FILE_FOLDER
作为爬虫项目所在的目录。Crawlab后台程序会自动发现这些爬虫项目并储存到数据库中。是不是很方便?
部署爬虫
所有爬虫需要在抓取前被部署当相应当节点中。在"爬虫详情"页面点击"Deploy"按钮,爬虫将被部署到所有有效到节点中。
运行爬虫
部署爬虫之后,你可以在"爬虫详情"页面点击"Run"按钮来启动爬虫。一个爬虫任务将被触发,你可以在任务列表页面中看到这个任务。
任务
任务被触发并被节点执行。用户可以在任务详情页面中看到任务到状态、日志和抓取结果。
后台应用
这是一个Flask应用,提供了必要的API来支持常规操作,例如CRUD、爬虫部署以及任务运行。每一个节点需要启动Flask应用来支持爬虫部署。运行 python manage.py app
或 python ./bin/run_app.py
来启动应用。
中间者
中间者跟Celery中定义的一样,作为运行异步任务的队列。
前端
前端其实就是一个基于 Vue-Element-Admin 的单页应用。其中重用了很多Element-UI的控件来支持相应的展示。
数据关联
任务是利用 python 的 subprocess
模块中的 Popen
来实现的。任务ID将以环境变量 CRAWLAB_TASK_ID
的形式存在于爬虫任务运行的进程中,并以此来关联抓取数据。
在你的爬虫程序中,你需要将 CRAWLAB_TASK_ID
的值以 task_id
作为可以存入数据库中。这样Crawlab就直到如何将爬虫任务与抓取数据关联起来了。当前,Crawlab只支持MongoDB。
import os from pymongo import MongoClient MONGO_HOST = '192.168.99.100' MONGO_PORT = 27017 MONGO_DB = 'crawlab_test' # scrapy example in the pipeline class JuejinPipeline(object): mongo = MongoClient(host=MONGO_HOST, port=MONGO_PORT) db = mongo[MONGO_DB] col_name = os.environ.get('CRAWLAB_COLLECTION') if not col_name: col_name = 'test' col = db[col_name] def process_item(self, item, spider): item['task_id'] = os.environ.get('CRAWLAB_TASK_ID') self.col.save(item) return item 复制代码
与其他框架比较
限制以及有一些爬虫管理框架了,因此为啥还要用Crawlab?
因为很多现有当平台都依赖于Scrapyd,限制了爬虫的编程语言以及框架,爬虫工程师只能用scrapy和python。当然,scrapy是非常优秀的爬虫框架,但是它不能做一切事情。
Crawlab使用起来很方便,也很通用,可以适用于几乎任何主流语言和框架。它还有一个精美的前端界面,让用户可以方便的管理和运行爬虫。
框架 | 类型 | 分布式 | 前端 | 依赖于Scrapyd |
---|---|---|---|---|
Crawlab | 管理平台 | Y | Y | N |
Gerapy | 管理平台 | Y | Y | Y |
SpiderKeeper | 管理平台 | Y | Y | Y |
ScrapydWeb | 管理平台 | Y | Y | Y |
Scrapyd | 网络服务 | Y | N | N/A |
以上就是本文的全部内容,希望对大家的学习有所帮助,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
- 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
- 使用Docker Swarm搭建分布式爬虫集群
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。
Node.js实战
[美] Mike Cantelon、[美] TJ Holowaychuk、[美] Nathan Rajlich / 吴海星 / 人民邮电出版社 / 2014-5 / 69.00元
服务器端JavaScript?没错。Node.js是一个JavaScript服务器,支持可伸缩的高性能Web应用。借助异步I/O,这个服务器可以同时做很多事情,能满足聊天、游戏和实时统计等应用的需求。并且既然是JavaScript,那你就可以全栈使用一种语言。 本书向读者展示了如何构建产品级应用,对关键概念的介绍清晰明了,贴近实际的例子,涵盖从安装到部署的各个环节,是一部讲解与实践并重的优秀......一起来看看 《Node.js实战》 这本书的介绍吧!