scrapydweb----高效地部署和监控分布式爬虫项目

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

动图演示

---

集群多节点部署和运行爬虫项目：动图演示，上传、打包、运行。

安装和配置

---

1 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。

  可以使用find命令或启动scrapyd，找到scrapyd目录下的 default_scrapyd.conf 文件，修改其中bind_address。

2 开发主机或任一台主机安装 ScrapydWeb： pip install scrapydweb

3 通过运行命令 scrapydweb -h 启动 ScrapydWeb（首次启动将在当前工作目录自动生成scrapydweb_settings.py配置文件）

4 启用 HTTP 基本认证（可选）

ENABLE_AUTH = True
USERNAME = 'username' 
PASSWORD = 'password'

5 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'),
]

6 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

1 Overview 页面自动输出所有 Scrapyd server 的运行状态

2 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

---

 

1 支持指定若干台 Scrapyd server 部署项目

2 通过配置文件  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

 

 

3 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。如果上传报错，需要修改源码，重新打包上传。

 

 

 

运行爬虫

---

1 通过下拉框直接选择 project，version 和 spider

2 支持传入 Scrapy settings 和 spider arguments

3 同样支持指定若干台 Scrapyd server 运行爬虫

 

 

日志分析和可视化

---

 

选择

点击 Select 选择一个你需要分析的爬虫日志文件，可以是爬虫自定义的生成的日志，也可以是scrapydweb生成的日志。选好之后，点击右边，云朵形状的图案，上传。页面自动跳转。

 

爬虫进度可视化

日志分类查看

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. 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']

2. 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

3. 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

欢迎有疑问的朋友可以在评论区交流。

本文转载自 https://juejin.im/post/5bebc5fd6fb9a04a053f3a0e，部分内容有修改，增加。