V2EX = way to explore
V2EX 是一个关于分享和探索的地方
现在注册
已注册用户请  登录
推荐学习书目
Learn Python the Hard Way
Python Sites
PyPI - Python Package Index
http://diveintopython.org/toc/index.html
Pocoo
值得关注的项目
PyPy
Celery
Jinja2
Read the Docs
gevent
pyenv
virtualenv
Stackless Python
Beautiful Soup
结巴中文分词
Green Unicorn
Sentry
Shovel
Pyflakes
pytest
Python 编程
pep8 Checker
Styles
PEP 8
Google Python Style Guide
Code Style from The Hitchhiker's Guide
tikazyq
V2EX  ›  Python

分布式通用爬虫管理平台 Crawlab

  •  
  •   tikazyq ·
    tikazyq · 2019-03-06 21:10:30 +08:00 · 4891 次点击
    这是一个创建于 1848 天前的主题,其中的信息可能已经有所发展或是发生改变。

    Crawlab

    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: https://github.com/tikazyq/crawlab

    截图

    首页

    home

    爬虫列表

    爬虫详情 - 概览

    任务详情 - 抓取结果

    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。

    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 python 的subprocess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。

    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。

    欢迎大家来加入 Crawlab 开发交流群

    11 条回复    2019-03-07 10:57:38 +08:00
    tumbzzc
        1
    tumbzzc  
       2019-03-06 21:19:39 +08:00 via Android
    有意思
    sunorg
        2
    sunorg  
       2019-03-06 23:37:40 +08:00 via Android
    好东西,但支持 scrapy 吗,支持的话考虑迁移过去
    congeec
        3
    congeec  
       2019-03-06 23:45:09 +08:00
    中间两行多余
    ```
    col_name = os.environ.get('CRAWLAB_COLLECTION')
    if not col_name:
    col_name = 'test'
    col = db[col_name]
    ```

    col_name = os.environ.get('CRAWLAB_COLLECTION', 'test')
    bazingaterry
        4
    bazingaterry  
       2019-03-06 23:45:51 +08:00
    有点像前司的内部爬虫框架……
    sunorg
        5
    sunorg  
       2019-03-07 01:32:51 +08:00 via Android
    安装不成功
    ericgui
        6
    ericgui  
       2019-03-07 01:55:22 +08:00
    这个看着不错啊
    tikazyq
        7
    tikazyq  
    OP
       2019-03-07 05:20:06 +08:00 via iPhone
    @sunorg 报什么错?
    tikazyq
        8
    tikazyq  
    OP
       2019-03-07 05:27:30 +08:00 via iPhone
    @bazingaterry 哪个厂呢,我这全部手撸的
    tikazyq
        9
    tikazyq  
    OP
       2019-03-07 05:30:04 +08:00 via iPhone
    可选变量,为了防止报错
    julyclyde
        10
    julyclyde  
       2019-03-07 08:51:43 +08:00
    @tikazyq 这功能,估计各家实现出来都差不多吧
    tikazyq
        11
    tikazyq  
    OP
       2019-03-07 10:57:38 +08:00 via iPhone
    @julyclyde 这个是专门针对爬虫设计的,现在有很多任务调度系统,但都过于通用了
    关于   ·   帮助文档   ·   博客   ·   API   ·   FAQ   ·   我们的愿景   ·   实用小工具   ·   5440 人在线   最高记录 6543   ·     Select Language
    创意工作者们的社区
    World is powered by solitude
    VERSION: 3.9.8.5 · 30ms · UTC 08:49 · PVG 16:49 · LAX 01:49 · JFK 04:49
    Developed with CodeLauncher
    ♥ Do have faith in what you're doing.