1、scrapyd
大多数现有的平台都依赖于 Scrapyd,这将选择限制在 python 和 scrapy 之间。当然 scrapy 是一个很棒的网络抓取框架,但是它不能做所有的事情。
对于重度 scrapy 爬虫依赖的、又不想折腾的开发者,可以考虑 Scrapydweb;而对于有各种类型的、复杂技术结构的爬虫开发者来说,可以考虑更灵活的 Crawlab。当然,不是说 Crawlab 对 scrapy 支持不友好,Crawlab 同样可以很好的集成 scrapy,也很容易使用,足够通用,可以适应任何语言和框架中的蜘蛛。它还有一个漂亮的前端界面,用户可以更容易地管理蜘蛛。
scrapyd
Scrapyd 是一个运行 Scrapy 爬虫程序的服务。
项目地址:https://github.com/scrapy/scrapyd
文档: https://scrapyd.readthedocs.io/
环境测试: http://localhost:6800/
ScrapydAPI
python 封装的 Scrapyd 。安装:pip install python-scrapyd-api
项目地址:https://github.com/djm/python-scrapyd-apifrom scrapyd_api import ScrapydAPI
scrapyd = ScrapydAPI('http://localhost:6800')
2、Gerapy
Gerapy 是由崔庆才创建的。安装部署简单。漂亮的UI界面。支持节点管理、代码编辑、可配置抓取规则等。只能运行 scrapy 爬虫,不支持 Scrapy 以外的其他爬虫。
Gerapy 只是分布式爬虫管理框架,需要启动 scrapyd 运行后配置进行更多操作。gerapy 和 scrapyd 的关系就是:通过 gerapy 配置 scrapyd 后,不使用命令,直接通过图形化界面开启爬虫。
Scrapy+Scrapy-redis+Scrapyd+Gerapy 分布式爬虫框架整合
- Scrapy:基于 Twisted 的异步IO的爬虫框架,Scrapy 框架是异步加多线程。
- Scrapy-redis:Scrapy-redis 是基于 scrapy 的分布式爬虫,提供了 Scrapy 分布式的队列,调度器,去重等等功能。
- Scrapyd:分布式爬虫完成之后,接下来就是代码部署,如果有很多主机,就要逐个登录服务器进行部署,万一代码有所改动..........可以想象,这个过程是多么繁琐。Scrapyd是专门用来进行分布式部署的工具,它提供 HTTP 接口来帮助我们部署,启动,停止,删除爬虫程序,利用它可以很方便的完成 Scrapy 爬虫项目的部署。Scrapyd 工具是在命令行进行操作。
- Gerapy:基于 Scrapy、Scrapyd、Scrapyd-Client、Scrapyd-API、Django 和 Vue.js 的分布式爬虫管理框架。Gerapy 将命令行和图形界面进行了对接,只需要点击按钮就可完成部署,启动,停止,删除的操作。
文档
安装命令:pip install gerapy,安装成功后,会获得一个新的命令:gerapy
创建 一个项目
命令:gerapy init
- 执行成功后会在当前目录下生成一个 gerapy 文件夹,进入gerapy文件夹,会发现一个空的projects文件夹 和 logs 文件夹
命令:gerapy init <workspace> 也可以指定 工作目录
初始化 数据库
命令:gerapy migrate
- 生成一个SQLite数据库,用于保存各个主机的配置信息等。
创建 用户
Gerapy 默认打开了登录身份验证,因此在启动服务之前需要设置管理员用户。可以直接使用初始管理员的命令快速创建管理员管理员。密码也是管理员。命令:gerapy initadmin
如果不想直接创建管理员用户,也可以手动创建管理员用户:gerapy createsuperuser
此时 Gerapy 会提示我们输入用户名、电子邮件、密码等,然后使用该用户登录 Gerapy。
启动 Gerapy 服务并访问
启动 Gerapy 服务
- :gerapy runserver host:port (默认是端口8000)
- :gerapy runserver 0.0.0.0:8000 使用公共主机和端口 8000 运行。
访问:
- :http://127.0.0.1:8000 进入 Gerapy 管理页面。
- :http://localhost:8000/admin 也可以直接进入管理后端。
管理 "主机、项目、任务",在主机管理中添加 scrapyd 运行的地址和端口。在 projects 文件夹中,放入你的 Scrapy 项目。
3、Scrapydweb
github:https://github.com/my8100/scrapydweb
漂亮的UI界面,内置Scrapy日志解析器,任务执行的统计数据和图表,支持节点管理,cron作业,邮件通知。全功能蜘蛛管理平台。只能运行 scrapy 爬虫,不支持 Scrapy 以外的其他爬虫。
功能特性:
- Scrapyd 集群管理
- Scrapy 日志分析
- 支持所有 Scrapyd API
- web UI 支持 Basic Auth
pip install scrapydweb
$ scrapydweb -h # 初始化
$ scrapydweb # 启动
管理页面:http://127.0.0.1:5000
4、spider-admin-pro
一个集爬虫 Scrapy+Scrapyd 爬虫项目查看 和 爬虫任务定时调度的可视化管理工具。
相关链接
- Github: https://github.com/mouday/spider-admin-pro
- Gitee: https://gitee.com/mouday/spider-admin-pro
- Pypi: https://pypi.org/project/spider-admin-pro
- Docker: https://hub.docker.com/r/mouday/spider-admin-pro
Spider Admin Pro 是 Spider Admin(不在维护) 的升级版
- 简化了一些功能;
- 优化了前端界面,基于Vue的组件化开发;
- 优化了后端接口,对后端项目进行了目录划分;
- 整体代码利于升级维护。
- 目前仅对Python3进行了支持
- 路由统一管理
- 全局异常捕获
- 接口统一返回
- 前后端分离
- 可视化参数配置
项目基于Python3.7.0 开发,所以推荐使用Python3.7.0及其以上版本
方式一:
$ pip3 install spider-admin-pro
# 可选
$ pip3 install -U spider-admin-pro -i https://pypi.org/simple# Linux macOS 运行启动
$ gunicorn 'spider_admin_pro.main:app'# windows 环境使用 waitress 替换 gunicorn
$ pip install waitress
$ waitress-serve --listen=127.0.0.1:8000 'spider_admin_pro.main:app'
方式二:
$ git clone https://github.com/mouday/spider-admin-pro.git
$ cd spider-admin-pro# 安装依赖(建议:最好新建一个虚拟环境)
$ pip3 install -r requirements.txt# 以生产模式运行
$ make pro# 以开发模式运行
$ make dev运行项目前,请先确保scrapyd服务已经启动
安装 scrapy 全家桶[可选]
pip install scrapy scrapyd scrapyd-client
方式三:
docker run -p 8000:8000 mouday/spider-admin-pro
5、crawllab、crawlab-lite
Crawlab是一个非常灵活的爬虫管理平台,可以运行 Python、Nodejs、Java、PHP、Go 写的爬虫,适用于所有编程语言和框架。漂亮的UI界面。自然地支持分布式蜘蛛。支持蜘蛛管理,任务管理,cron作业,结果导出,分析,通知,可配置蜘蛛,在线代码编辑器等。而且功能比较齐全,不限于Scrapy,
crawllab
基于Golang的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.
crawllab 中文文档:https://docs.crawlab.cn/zh/guide/
官网在线演示
演示地址:https://demo-pro.crawlab.cn/#/login
用户名、密码:admin/admin
crawlab-lite
轻量版 Crawlab 爬虫管理平台
6、feaplat
feaplat 命名源于 feapder 与 platform 的缩写,是一个爬虫管理系统。
免费版20个任务,超出额度时,需购买授权码,在授权有效期内不限额度,可换绑服务器
特性
- 支持部署任何程序,包括不限于
feapder
、scrapy
- 支持集群管理,部署分布式爬虫可一键扩展进程数
- 支持部署服务,且可自动实现服务负载均衡
- 支持程序异常报警、重启、保活
- 支持监控,监控内容可自定义
- 支持4种定时调度模式
- 自动从git仓库拉取最新的代码运行,支持指定分支
- 支持多人协同
- 支持浏览器渲染,支持有头模式。浏览器支持
playwright
、selenium
- 支持弹性伸缩
- 支持自定义worker镜像,如自定义java的运行环境、node运行环境等,即根据自己的需求自定义(feaplat分为
master-调度端
和worker-运行任务端
) - docker一键部署,架设在docker swarm集群上
功能概览
7、XXL-JOB (分布式任务调度平台)
轻量级分布式任务调度平台 XXL-JOB
github 地址 及 中文文档地址:https://github.com/xuxueli/xxl-job
XXL-JOB是一个轻量级分布式任务调度平台,其核心设计目标是开发迅速、学习简单、轻量级、易扩展。现已开放源代码并接入多家公司线上产品线,开箱即用。
- 1、简单:支持通过Web页面对任务进行CRUD操作,操作简单,一分钟上手;
- 2、动态:支持动态修改任务状态、启动/停止任务,以及终止运行中任务,即时生效;
- 3、调度中心HA(中心式):调度采用中心式设计,“调度中心”自研调度组件并支持集群部署,可保证调度中心HA;
- 4、执行器HA(分布式):任务分布式执行,任务"执行器"支持集群部署,可保证任务执行HA;
- 5、注册中心: 执行器会周期性自动注册任务, 调度中心将会自动发现注册的任务并触发执行。同时,也支持手动录入执行器地址;
- 6、弹性扩容缩容:一旦有新执行器机器上线或者下线,下次调度时将会重新分配任务;
- 7、触发策略:提供丰富的任务触发策略,包括:Cron触发、固定间隔触发、固定延时触发、API(事件)触发、人工触发、父子任务触发;
- 8、调度过期策略:调度中心错过调度时间的补偿处理策略,包括:忽略、立即补偿触发一次等;
- 9、阻塞处理策略:调度过于密集执行器来不及处理时的处理策略,策略包括:单机串行(默认)、丢弃后续调度、覆盖之前调度;
- 10、任务超时控制:支持自定义任务超时时间,任务运行超时将会主动中断任务;
- 11、任务失败重试:支持自定义任务失败重试次数,当任务失败时将会按照预设的失败重试次数主动进行重试;其中分片任务支持分片粒度的失败重试;
- 12、任务失败告警;默认提供邮件方式失败告警,同时预留扩展接口,可方便的扩展短信、钉钉等告警方式;
- 13、路由策略:执行器集群部署时提供丰富的路由策略,包括:第一个、最后一个、轮询、随机、一致性HASH、最不经常使用、最近最久未使用、故障转移、忙碌转移等;
- 14、分片广播任务:执行器集群部署时,任务路由策略选择"分片广播"情况下,一次任务调度将会广播触发集群中所有执行器执行一次任务,可根据分片参数开发分片任务;
- 15、动态分片:分片广播任务以执行器为维度进行分片,支持动态扩容执行器集群从而动态增加分片数量,协同进行业务处理;在进行大数据量业务操作时可显著提升任务处理能力和速度。
- 16、故障转移:任务路由策略选择"故障转移"情况下,如果执行器集群中某一台机器故障,将会自动Failover切换到一台正常的执行器发送调度请求。
- 17、任务进度监控:支持实时监控任务进度;
- 18、Rolling实时日志:支持在线查看调度结果,并且支持以Rolling方式实时查看执行器输出的完整的执行日志;
- 19、GLUE:提供Web IDE,支持在线开发任务逻辑代码,动态发布,实时编译生效,省略部署上线的过程。支持30个版本的历史版本回溯。
- 20、脚本任务:支持以GLUE模式开发和运行脚本任务,包括Shell、Python、NodeJS、PHP、PowerShell等类型脚本;
- 21、命令行任务:原生提供通用命令行任务Handler(Bean任务,"CommandJobHandler");业务方只需要提供命令行即可;
- 22、任务依赖:支持配置子任务依赖,当父任务执行结束且执行成功后将会主动触发一次子任务的执行, 多个子任务用逗号分隔;
- 23、一致性:“调度中心”通过DB锁保证集群分布式调度的一致性, 一次任务调度只会触发一次执行;
- 24、自定义任务参数:支持在线配置调度任务入参,即时生效;
- 25、调度线程池:调度系统多线程触发调度运行,确保调度精确执行,不被堵塞;
- 26、数据加密:调度中心和执行器之间的通讯进行数据加密,提升调度信息安全性;
- 27、邮件报警:任务失败时支持邮件报警,支持配置多邮件地址群发报警邮件;
- 28、推送maven中央仓库: 将会把最新稳定版推送到maven中央仓库, 方便用户接入和使用;
- 29、运行报表:支持实时查看运行数据,如任务数量、调度次数、执行器数量等;以及调度报表,如调度日期分布图,调度成功分布图等;
- 30、全异步:任务调度流程全异步化设计实现,如异步调度、异步运行、异步回调等,有效对密集调度进行流量削峰,理论上支持任意时长任务的运行;
- 31、跨语言:调度中心与执行器提供语言无关的 RESTful API 服务,第三方任意语言可据此对接调度中心或者实现执行器。除此之外,还提供了 “多任务模式”和“httpJobHandler”等其他跨语言方案;
- 32、国际化:调度中心支持国际化设置,提供中文、英文两种可选语言,默认为中文;
- 33、容器化:提供官方docker镜像,并实时更新推送dockerhub,进一步实现产品开箱即用;
- 34、线程池隔离:调度线程池进行隔离拆分,慢任务自动降级进入"Slow"线程池,避免耗尽调度线程,提高系统稳定性;
- 35、用户管理:支持在线管理系统用户,存在管理员、普通用户两种角色;
- 36、权限控制:执行器维度进行权限控制,管理员拥有全量权限,普通用户需要分配执行器权限后才允许相关操作;
中文文档
:https://www.xuxueli.com/xxl-job/