Cola：一个分布式爬虫框架 - 系统架构 - Python4cn(news, jobs)
Cola：一个分布式爬虫框架
由于早先写的WeiboCrawler问题很多，而且当时我有提到，其实可以实现一个通用的爬虫框架。最近由于要抓取新的数据，于是我就写了这个cola。下面的文字来自wiki。
Cola是一个分布式的爬虫框架，用户只需编写几个特定的函数，而无需关注分布式运行的细节。任务会自动分配到多台机器上，整个过程对用户是透明的。
依赖
由于Cola配置文件使用的yaml，所以Cola只依赖于pyyaml，安装easy_install或者pip工具后，则可以：
pip install pyyaml安装
下载或者用git clone源码，假设在目录/to/pth/cola，将该路径添加到Python path中。
一种简单的方法是在site-packages中添加pth文件。site-packages因系统而异，如果是windows，假设python装在C:python27，那么就是C:python27Libsite-packages；如果是linux，那么应该是/usr/local/lib/pythonX.X/dist-packages。
在site-packages下新建一个cola.pth文件，里面写上路径：/to/path/cola。
运行
Cola集群需要一个master和若干个worker，对于每台机器，只能启动一个worker。但是，集群不是必须的，在单机模式下亦可以运行。
Cola目前自带了两个爬虫，分别是维基百科和新浪微博。在项目根目录下的contrib中。
下面就wiki为例，分别说明如何在单机和分布式环境下运行。
依赖
无论是维基百科还是新浪微博的实现，数据都存放在MongoDB中，所以要确保MongoDB的安装。
在wiki下的wiki.yaml和sina下的sina.yaml中可以配置MongoDB的主机和端口。
维基百科和新浪微博实现依赖于下面的几个包：
- mechanize
- python-dateutil
- BeautifulSoup4
- mongoengine
- rsa（仅新浪微博需要）
可以使用pip或者easy_install来安装。
单机模式
单机模式非常简单，只需运行contrib/wiki/__init__.py即可。
cd /to/path/cola/contrib/wiki python __init__.py要运行新浪微博的爬虫，需要在sina.yaml中配置登录的用户名和密码。这里要注意，要保证这个用户名和密码在登录时不需要验证码。
分布式模式
首先需要启动cola master和cola workers。分别运行根目录下bin中的start_master.py和start_worker.py
启动cola master：
cd /to/path/cola python bin/start_master.py --data /my/path/data如果不指定--data，那么数据文件会防止在项目根目录下的data文件夹中。
启动cola worker：
python bin/start_worker.py --master --data /my/path/data--data选项同master。如果不指定master，会询问是否连接到本机master，输入yes连接。
最后使用bin下的coca.py来运行指定的Cola job：
python bin/coca.py -m -runLocalJob /to/path/cola/contrib/wiki-runLocalJob选项是要运行的job所在文件夹的绝对路径。输入命令后，该job会被提交到Cola集群来运行。
停止Cola Job或集群
停止整个集群，则可以运行：
python bin/coca.py -stopAll而停止一个Job，则需要查询得到Job的名称：
python bin/coca.py -showRunningJobsNames得到名称后，再运行：
python bin/coca.py -stopRunningJobByName [job name]编写自定义Cola Job
见wiki编写自定义Cola Job。
问题
Cola还不够稳定，目前会处于持续改进的状态。且Cola还没有在较大规模的集群上测试，但是接下来我会把Cola应用到新项目中，并逐步完善。也希望大家也能给我反馈，并帮助改进。
Todo
- 实现一个web接口，可以查看运行的cola job以及运行情况
- 实现一个opener能够运行JS代码和执行AJAX请求。
- 支持增量抓取机制。
- 简化安装，支持easy_install或者pip安装。增加解决依赖库安装的机制。