内容简介:通过浏览器访问并登录
如何简单高效地部署和监控分布式爬虫项目
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 service。 - 开发主机或任一台主机安装 ScrapydWeb :
pip install scrapydweb
- 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)。 - 启用 HTTP 基本认证(可选):
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'), ]
- 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。
- 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]
- 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
- 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
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。
算法技术手册
George T. Heineman、Gary Pollice、Stanley Selkow / 杨晨、李明 / 机械工业出版社 / 2010-3 / 55.00元
《算法技术手册》内容简介:开发健壮的软件需要高效的算法,然后程序员们往往直至问题发生之时,才会去求助于算法。《算法技术手册》讲解了许多现有的算法,可用于解决各种问题。通过阅读它,可以使您学会如何选择和实现正确的算法,来达成自己的目标。另外,书中的数学深浅适中,足够使您可以了解并分析算法的性能。 较之理论而言,《算法技术手册》更专注于应用。《算法技术手册》提供了高效的代码解决方案,使用多种语言......一起来看看 《算法技术手册》 这本书的介绍吧!