分布式通用爬虫框架Crawlab

栏目: Python · 发布时间: 5年前

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

分布式通用爬虫框架Crawlab

爬虫列表

分布式通用爬虫框架Crawlab

爬虫详情 - 概览

分布式通用爬虫框架Crawlab

任务详情 - 抓取结果

分布式通用爬虫框架Crawlab

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。

分布式通用爬虫框架Crawlab

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

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 apppython ./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 pythonsubprocess 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

查看所有标签

猜你喜欢:

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

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!

XML、JSON 在线转换
XML、JSON 在线转换

在线XML、JSON转换工具

Markdown 在线编辑器
Markdown 在线编辑器

Markdown 在线编辑器

正则表达式在线测试
正则表达式在线测试

正则表达式在线测试