scrapyd和scrapyd-client使用教程

scrapyd是一个用于部署和运行scrapy爬虫的程序,它允许你通过JSON API来部署爬虫项目和控制爬虫运行

概览

项目和版本

scrapyd可以管理多个项目,并且每个项目允许有多个版本,但是只有最新的版本会被用来运行爬虫.

最方便的版本管理就是利用VCS工具来记录你的爬虫代码,版本比较不是简单的通过字母排序,而是通过智能的算法,和distutils一样,例如: r10比r9更大.

工作原理

scrapyd是一个守护进程,监听爬虫的运行和请求,然后启动进程来执行它们

启动服务

# 注意,启动scrapyd的目录会保存整个scrapyd运行期间生成的log, item文件,所以请选择合适的位置运行该命令
$ scrapyd

调度爬虫运行

$ curl http://localhost:6800/schedule.json -d project=myproject -d spider=spider2
{"status": "ok", "jobid": "26d1b1a6d6f111e0be5c001e648c57f8"}

web接口

http://localhost:6800/

安装

需求

  • Python 2.6+
  • Twisted 8.0+
  • Scrapy 0.17+

安装

$ pip install scrapyd

$ sudo apt-get install scrapyd

项目部署

直接使用scrapyd-client提供的scrapyd-deploy工具.

安装scrapyd-client

$ pip install scrapyd-client

scrapyd-client工作原理

打包项目,然后调用scrapydaddversion.json接口部署项目

配置服务器信息

为了方便叙述,整个部署流程以部署豆瓣电影爬虫为例。 配置服务器和项目信息, 需要编辑scrapy.cfg文件,添加如下内容

[deploy:server-douban]
url = http://localhost:6800/

其中server-douban为服务器名称, url为服务器地址,即运行了scrapyd命令的服务器。

检查配置, 列出当前可用的服务器

$ scrapyd-deploy -l
server-douban        http://localhost:6800/

列出服务器上所有的项目, 需要确保服务器上的scrapyd命令正在执行,否则会报连接失败.首次运行的话,可以看到只有一个default项目

$ scrapyd-deploy -L server-douban
default

打开http://localhost:6800/, 可以看到Available projects: default

部署项目

在爬虫项目根目录下执行下面的命令, 其中target为上一步配置的服务器名称,project为项目名称,可以根据实际情况自己指定。

scrapyd-deploy <target> -p <project>
$ scrapyd-deploy server-douban -p douban-movies
Packing version 1446102534
Deploying to project "douban-movies" in http://localhost:6800/addversion.json
Server response (200):
{"status": "ok", "project": "douban-movies", "version": "1446102534", "spiders": 1, "node_name": "sky"}

部署操作会打包你的当前项目,如果当前项目下有setup.py文件,就会使用它,没有的会就会自动创建一个。(如果后期项目需要打包的话,可以根据自己的需要修改里面的信息,也可以暂时不管它). 从返回的结果里面,我们可以看到部署的状态,项目名称,版本号和爬虫个数,以及当前的主机名称.

检查部署结果

$ scrapyd-deploy -L server-douban
default
douban-movies

或再次打开http://localhost:6800/, 也可以看到Available projects: default, douban-movies

我们也可以把项目信息写入到配置文件中,部署时就不用指定项目信息,编辑scrapy.cfg文件,添加项目信息

[deploy:server-douban]
url = http://localhost:6800/
project = douban-movies

下次部署可以直接执行

$ scrapyd-deploy

如果配置了多个服务器的话,可以将项目直接部署到多台服务器

$ scrapyd-deploy -a -p <project>

指定版本号

默认情况下, scrapyd-deploy使用当前的时间戳作为版本号,我们可以使用--version来指定版本号

scrapyd-deploy <target> -p <project> --version <version>

版本号的格式必须满足LooseVersion

如:

# 设置版本号为0.1
$ scrapyd-deploy server-douban -p douban-movies --version 0.1
Packing version 0.1
Deploying to project "douban-movies" in http://localhost:6800/addversion.json
Server response (200):
{"status": "ok", "project": "douban-movies", "version": "0.1", "spiders": 1, "node_name": "sky"}

如果使用了MercurialGit管理代码, 可以使用HGGIT作为version的参数,也可以将它写入scrapy.cfg文件,那么就会使用当前的reversion作为版本号。

[deploy:target]
...
version = GIT
$ cat scrapy.cfg
...
[deploy:server-douban]
url = http://localhost:6800/
project = douban-movies
version = GIT

# 当前版本号为r7-master
$ scrapyd-deploy server-douban -p douban-movies 
fatal: No names found, cannot describe anything.
Packing version r7-master
Deploying to project "douban-movies" in http://localhost:6800/addversion.json
Server response (200):
{"status": "ok", "project": "douban-movies", "version": "r7-master", "spiders": 1, "node_name": "sky"}

关于从GIT获取版本号的方式,可以参看scrapyd-client源码部分

  elif version == 'GIT':
        p = Popen(['git', 'describe'], stdout=PIPE)
        d = p.communicate()[0].strip('\n')
        if p.wait() != 0:
            p = Popen(['git', 'rev-list', '--count', 'HEAD'], stdout=PIPE)
            d = 'r%s' % p.communicate()[0].strip('\n')

        p = Popen(['git', 'rev-parse', '--abbrev-ref', 'HEAD'], stdout=PIPE)
        b = p.communicate()[0].strip('\n')
        return '%s-%s' % (d, b)

服务器添加认证信息

我们也可以在scrapyd前面加一层反向代理来实现用户认证。以nginx为例, 配置nginx

server {
       listen 6801;
       location / {
            proxy_pass            http://127.0.0.1:6800/;
            auth_basic            "Restricted";
            auth_basic_user_file  /etc/nginx/htpasswd/user.htpasswd;
        }
}

/etc/nginx/htpasswd/user.htpasswd里设置的用户名和密码都是test 修改配置文件,添加用户信息信息

...
[deploy:server-douban]
url = http://localhost:6801/
project = douban-movies
version = GIT
username = test
password = test

注意上面的url已经修改为了nginx监听的端口。

提醒: 记得修改服务器上scrapyd的配置bind_address字段为127.0.0.1,以免可以从外面绕过nginx, 直接访问6800端口。 关于配置可以参看本文后面的配置文件设置.

API

scrapyd的web界面比较简单,主要用于监控,所有的调度工作全部依靠接口实现. 具体可以参考官方文档

常用接口:

  • 调度爬虫

    $ curl http://localhost:6800/schedule.json -d project=myproject -d spider=somespider
    # 带上参数
    $ curl http://localhost:6800/schedule.json -d project=myproject -d spider=somespider -d setting=DOWNLOAD_DELAY=2 -d arg1=val1
    
  • 取消

    $ curl http://localhost:6800/cancel.json -d project=myproject -d job=6487ec79947edab326d6db28a2d86511e8247444
    
  • 列出项目

    $ curl http://localhost:6800/listprojects.json
    
  • 列出版本

    $ curl http://localhost:6800/listversions.json?project=myproject
    
  • 列出爬虫

    $ curl http://localhost:6800/listspiders.json?project=myproject
    
  • 列出job

    $ curl http://localhost:6800/listjobs.json?project=myproject
    
  • 删除版本

    $ curl http://localhost:6800/delversion.json -d project=myproject -d version=r99
    
  • 删除项目

    $ curl http://localhost:6800/delproject.json -d project=myproject
    

配置文件

scrapyd启动的时候会自动搜索配置文件,配置文件的加载顺序为

  • /etc/scrapyd/scrapyd.conf
  • /etc/scrapyd/conf.d/*
  • scrapyd.conf
  • ~/.scrapyd.conf

最后加载的会覆盖前面的设置

默认配置文件如下, 可以根据需要修改

[scrapyd]
eggs_dir    = eggs
logs_dir    = logs
items_dir   = items
jobs_to_keep = 5
dbs_dir     = dbs
max_proc    = 0
max_proc_per_cpu = 4
finished_to_keep = 100
poll_interval = 5
http_port   = 6800
debug       = off
runner      = scrapyd.runner
application = scrapyd.app.application
launcher    = scrapyd.launcher.Launcher

[services]
schedule.json     = scrapyd.webservice.Schedule
cancel.json       = scrapyd.webservice.Cancel
addversion.json   = scrapyd.webservice.AddVersion
listprojects.json = scrapyd.webservice.ListProjects
listversions.json = scrapyd.webservice.ListVersions
listspiders.json  = scrapyd.webservice.ListSpiders
delproject.json   = scrapyd.webservice.DeleteProject
delversion.json   = scrapyd.webservice.DeleteVersion
listjobs.json     = scrapyd.webservice.ListJobs

关于配置的各个参数具体含义,可以参考官方文档

更新

上面的对于scrapyd默认项目(即是启动scrapyd命令后看到的default项目.)的理解有些错误,只有在scrapy项目里启动scrapyd命令 时才有默认项目,默认项目就是当前的scrapy项目,如果在非scrapy项目下执行scrapyd, 是看不到default的,  在爬虫里项目里直接使用scrapyd命令的好处是: 直接通调度爬虫运行, 比较适用于当前爬虫项目代码结构不规范,没法Eggifying的情况,因为在使用scrapyd-client部署爬虫的前提就是爬虫项目必须满足下面的条件:

Deploying your project to a Scrapyd server typically involves two steps:

  • Eggifying your project. You’ll need to install setuptools for this. See Egg Caveats below.
  • Uploading the egg to the Scrapyd server through the addversion.json endpoint.

小结

关于scrapyd,个人感觉比较适合单机部署爬虫和调度使用,分布式的爬虫调度可能不太合适,需要每台机器上都启动这样一个服务,日志也没有办法集中,用jenkins来做可能更合适.

上一篇:ajax的get方法获取豆瓣电影前10页的数据


下一篇:刚哥谈架构 (五)- 推荐给架构师和工程师读的书