学会运用爬虫框架 Scrapy (五) —— 部署爬虫

本文是 Scrapy 爬虫系列的最后一篇文章。主要讲述如何将我们编写的爬虫程序部署到生产环境中。我们使用由 scrapy 官方提供的爬虫管理工具 scrapyd 来部署爬虫程序。

1 为什么使用 scrapyd?

一是它由 scrapy 官方提供的，二是我们使用它可以非常方便地运用 JSON API来部署爬虫、控制爬虫以及查看运行日志。

2 使用 scrapyd

2.1 原理

选择一台主机当做服务器，安装并启动 scrapyd 服务。再这之后，scrapyd 会以守护进程的方式存在系统中，监听爬虫地运行与请求，然后启动进程来执行爬虫程序。

2.2 安装 scrapyd

使用 pip 能比较方便地安装 scrapyd。

pip install scrapyd 
# 如果出现因下载失败导致安装不上的情况，可以先启动 ss 再执行安装命令
# 或者在终端中使用代理
pip --proxy http://代理ip:端口 install scrapyd

2.3 启动 scrapyd

在终端命令行下以下命令来启动服务：

scrapyd

启动服务结果如下：

scrapyd 也提供了 web 的接口。方便我们查看和管理爬虫程序。默认情况下 scrapyd 监听 6800 端口，运行 scrapyd 后。在本机上使用浏览器访问 http://localhost:6800/地址即可查看到当前可以运行的项目。

3 项目部署

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

3.1 原理

scrapyd 是运行在服务器端，而 scrapyd-client 是运行在客户端。客户端使用 scrapyd-client 通过调用 scrapyd 的 json 接口来部署爬虫项目。

3.2 安装 scrapyd-client

在终端下运行以下安装命令：

pip install scrapyd-client 
# 如果出现因下载失败导致安装不上的情况，可以先启动 ss 再执行安装命令
# 或者在终端中使用代理
pip --proxy http://代理ip:端口 install scrapyd-client

3.3 配置项目的服务器信息

修改工程目录下的 scrapy.cfg 文件。

# Automatically created by: scrapy startproject
#
# For more information about the [deploy] section see:
# https://scrapyd.readthedocs.org/en/latest/deploy.html

[settings]
default = demo.settings       # test 为 project 的名称, 默认创建的

[deploy:server]
# 默认情况下并没有 server，它只是为服务器指定一个名字
url = http://localhost:6800/ 
# 这是部署到本地, 如果你使用其他机器远程部署程序, 需将本地地址换成服务器的 IP 地址。默认是注释的
project = test                # test 为 project 的名称, 默认创建的

如果你服务器有配置 HTTP basic authentication 验证，那么需要在 scrapy.cfg 文件增加用户名和密码。这是用于登录服务器用的。

[settings]
default = demo.settings       # demo 为 project 的名称, 默认创建的

[deploy:server]
# 默认情况下并没有 server，它只是为服务器指定一个名字
url = http://192.168.161.129:6800/  # 这是部署到远程服务器
project = demo                # demo 为 project 的名称, 默认创建的
username = monkey
password = 123456             # 如果不需要密码可以不写

3.4 部署爬虫程序

在爬虫项目根目录下执行下面的命令:

scrapyd-deploy <target> -p <project>

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。

我指定 target 为 server，project 为 demo，所以我要执行的命令如下：

scrapyd-deploy server -p demo

运行结果如下：

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.

运行结果如下：

$ scrapyd-deploy server -p demo
Packing version 1507376760
Deploying to project "demo" in http://localhost:6800/addversion.json
Server response (200):
{"status": "ok", "project": "demo", "version": "1507376760", "spiders": 1, "node_name": "james-virtual-machine"}

使用以下命令检查部署爬虫结果：

scrapyd-deploy -l 服务器名称

我指定服务器名称为 server，所以要执行命令如下：

scrapyd-deploy -L sever
default
demo

刷新 http://localhost:6800/ 页面, 也可以看到Available projects: demo的字样。

4 使用 API 管理爬虫

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。官方推荐使用 curl 来管理爬虫。
所以要先安装 curl。

• windows 用户可以到该网站https://curl.haxx.se/download.html下载 curl 安装包进行安装。

• ubuntu/Mac 用户直接使用命令行安装即可。

开启爬虫 schedule

在爬虫项目的根目录下，使用终端运行以下命令：

curl http://localhost:6800/schedule.json -d project=demo -d spider=demo_spider

成功启动爬虫结果如下：

curl http://localhost:6800/schedule.json -d project=tutorial -d spider=tencent
{"status": "ok", "jobid": "94bd8ce041fd11e6af1a000c2969bafd", "node_name": "james-virtual-machine"}

取消爬虫

curl http://localhost:6800/cancel.json -d project=demo -d job=94bd8ce041fd11e6af1a000c2969bafd

列出项目

curl http://localhost:6800/listprojects.json

列出爬虫、版本、job 信息

curl http://localhost:6800/listspiders.json?project=demo

删除爬虫项目

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

系列文章：
学会运用爬虫框架 Scrapy (一)
学会运用爬虫框架 Scrapy (二)
学会运用爬虫框架 Scrapy (三)
学会运用爬虫框架 Scrapy (四) —— 高效下载图片

推荐阅读：
爬虫实战二：爬取电影天堂的最新电影
爬虫与反爬虫的博弈
爬虫系列的总结