用linux爬数据库,[爬虫]Linux下使用Grafana+InfluxDB+MongoDB实现爬虫

1.前言本文介绍的方法，是使用 Grafana 和 InfluxDB 对爬虫进行可视化监控。

Grafana 是一个开源的分析和监控系统，拥有精美的web UI，支持多种图表，可以展示influxdb中存储的数据，并且有报警的功能。

Influxdb 是一款开源的时间序列数据库，专门用来存储和时间相关的数据(比如我用它存储某个时间点爬虫抓取信息的数量)。设计原理：爬虫将抓取的数据写入MongoDB，InfluxDB从MongoDB获取数据抓取情况，Grafana 从 InfluxDB 中获取爬虫抓取数据情况并做图形化展示。

系统环境：MacOS High Sierra 10.12.6效果展示：

如下图：

grafana 监控爬虫效果展示图

2.Grafana介绍Grafana简介：

-- Grafana 是一款采用 go 语言编写的开源应用；

-- Grafana 主要用于大规模指标数据的可视化展现；

-- Grafana有着非常漂亮的图表和布局展示，功能齐全的度量仪表盘和图形编辑器。

Grafana支持数据源：

-- Graphite；

-- Zabbix；

-- InfluxDB；

-- Prometheus；

-- OpenTSDB；

-- 最新版本4.3.1已经支持 MySQL 数据源。

Grafana 主要特性：

-- 灵活丰富的图形化选项；

-- 可以混合多种风格；

-- 支持多个数据源；

-- 拥有丰富的插件扩展；

-- 支持自动告警功能；

-- 支持用户权限管理。

3.InfluxDB介绍InfluxDB 简介

-- InfluxDB 是一个当下比较流行的时序数据库；

-- InfluxDB 使用 Go 语言编写；

-- InfluxDB 无需外部依赖；

-- InfluxDB 适合构建大型分布式系统的监控系统。

主要特色功能：

-- 基于时间序列：支持与时间有关的相关函数(如最大，最小，求和等)；

-- 可度量性：可以实时对大量数据进行计算；

-- 基于事件：它支持任意的事件数据；

4.安装&配置Grafana、InfluxDB

Grafana 和 InfluxDB 安装非常方便，这一点可以和 Graphite 做一个鲜明的对比。

4.1.安装  InfluxDB安装 InfluxDBbrew update

brew install influxdb

4.2.安装 & 配置 Grafana安装 Grafanabrew update

brew install grafana配置 Grafana

-- 使用 vi 命令修改 Grafana 配置文件vi /usr/local/etc/grafana/grafana.ini

修改 内容如下：[server]# Protocol (http, https, socket);protocol = http# The ip address to bind to, empty will bind to all interfaces;http_addr =# 此处修改端口号# The http port  to use;http_port = 3000         # 【 注意 】这里我用默认 3000 端口，可以根据需要修改。# 此处修改界面访问地址# The public facing domain name used to access grafana from a browser;domain = localhost       # 【 注意 】这里我用默认 localhost 地址，可以根据需要修改。# Redirect to correct domain if host header does not match domain# Prevents DNS rebinding attacks;enforce_domain = false# The full public facing url you use in browser, used for redirects and emails# If you use reverse proxy and sub path specify full url (with sub path);root_url = http://localhost:3000

5.编写爬虫代码

这里我使用的是以前写的一个爬取豆瓣电影的的爬虫代码。注意：

-- 爬虫使用的 MongoDB 的 database 名称为 learn_selenium_doubandianying；

-- 爬虫使用的 MongoDB 的 table 名称为 movie_info；

爬虫代码如下：# -*- coding:utf-8 -*-from selenium import webdriverimport timefrom selenium.webdriver.common.by import Byfrom selenium.webdriver.support.ui import WebDriverWaitfrom selenium.webdriver.support import expected_conditions as EC

import refrom selenium.common.exceptions import TimeoutExceptionfrom config import *from lxml import etreeimport pymongoimport datetime# 设置MongoDB数据库MONGO_URL   = 'localhost'# 设置 MongoDB 的 database 名称为 learn_selenium_doubandianyingMONGO_DB    = 'learn_selenium_doubandianying'# 设置 MongoDB 的 table 名称为 movie_infoMONGO_TABLE = 'movie_info'client = pymongo.MongoClient(MONGO_URL)

db     = client[MONGO_DB]

browser = webdriver.Chrome()

wait    = WebDriverWait(browser,10)

browser.get('https://movie.douban.com/')

word = input('请输入您要搜索的内容>>> ')def search():

try:

input = wait.until(

EC.presence_of_element_located((By.CSS_SELECTOR,'#inp-query'))

)

submit = wait.until(

EC.element_to_be_clickable((By.CSS_SELECTOR,'#db-nav-movie > div.nav-wrap > div > div.nav-search > form > fieldset > div.inp-btn > input[type="submit"]'))

)

print('输入搜索的内容【{}】'.format(word))

input.send_keys('{}'.format(word))

submit.click()

print('正在加载')

active = wait.until(

EC.presence_of_element_located((By.CSS_SELECTOR,'a.num.activate.thispage'))

)

print('加载第【{}】页成功'.format(active.text))

get_movies()    except TimeoutException:

print('等待超时，重新搜索...')        return search()def next_page():

while True:        try:

next_page_submit = wait.until(

EC.element_to_be_clickable((By.CSS_SELECTOR,'a.next'))

)

next_page_submit.click()

wait.until(

EC.presence_of_element_located((By.CSS_SELECTOR,'a.num.activate.thispage'))

)

print('成功加载该页数据...')

get_movies()

print('--------------加载完成，并打印成功，开始加载下一页------------')

time.sleep(1.1)

next_page()        except TimeoutException:

print('加载超时，重新加载...')            return next_page()        except Exception:

print('加载至最后一页')            breakdef get_movies():

try:

page = browser.page_source

selector = etree.HTML(page)

items = selector.xpath('//*[@id="root"]/div/div[2]/div[1]/div[1]')        for item in items:

names = item.xpath('div/div/div/div[1]/a/text()')

urls = item.xpath('div/div/div/div[1]/a/@href')

ratings = item.xpath('div/div/div/div[2]/span[2]/text()')

# 【注意】item.xpath()返回的是列表，需要使用str将其字符化

durations = re.findall(r'\d\d+',str(item.xpath('div/div/div/div[3]/text()')))

actors = item.xpath('div/div/div/div[4]/text()')

# 【注意】由于xpath返回的是列表格式，而我们需要将列表中的元素一一对应存放至字典中，这就需要使用zip()函数，将内容存放至空字典中

for name,url,rating,duration,actor in zip(names,urls,ratings,durations,actors):

movie_info = {}

movie_info['name'] = name

movie_info['url'] = url                if rating == '(尚未上映)' or '(暂无评分)':

movie_info['rating'] = None

else:

movie_info['rating'] = float(rating)

movie_info['duration'] = int(duration)

movie_info['actors'] = actor

print(movie_info)

save_to_mongo(movie_info)    except Exception as e:

print(e)

time.sleep(0.3)        return get_movies()def save_to_mongo(result):

try:        if db[MONGO_TABLE].insert_one(result):

print('成功存储到MONGODB!')    except Exception as e:        raise edef main():

start_time = datetime.datetime.now()    try:

search()

next_page()    except Exception as e:        raise e    finally:

browser.close()

end_time = datetime.datetime.now()

print('*'*100)

print('开始时间：',start_time)

print('结束时间：',end_time)

print('共计用时：',end_time - start_time)

total_nums = db[MONGO_TABLE].count()

print('共计获取数据：',total_nums,' 条')

print('*'*100)if __name__ == '__main__':

main()

6.编写监控脚本考虑到可能要增加爬虫到监控中，因此这里使用了热更新对监控进行动态配置。

6.1.监控脚本 influx_monitor.pyimport astimport timeimport pymongoimport tracebackfrom configparser import ConfigParserfrom influxdb import InfluxDBClientfrom datetime import datetimefrom os.path import getmtime# 配置 influxdbclient = InfluxDBClient(host='localhost', port=8086) # influxdb默认端口为8086# 创建 databaseclient.create_database('Spider')# switch 到 databaseclient.switch_database('Spider')# 设定配置文件config_name = 'influx_settings.conf'WATCHED_FILES = [config_name]

WATCHED_FILES_MTIMES = [(f, getmtime(f)) for f in WATCHED_FILES]

_count_dict = {}

_size_dict = {}# 获取配置文件中的设置def parse_config(file_name):

try:        # 创建一个配置文件对象

cf = ConfigParser()

# 打开配置文件

cf.read(file_name)        # 获取配置文件中的统计频率

interval = cf.getint('time', 'interval')

# 获取配置文件中要监控的 dbs 和 collection

dbs_and_collections = ast.literal_eval(cf.get('db', 'db_collection_dict'))

return interval, dbs_and_collections    except:

print(traceback.print_exc())        return None# 从 MongoDB 获取数据，并写入 InfluxDBdef insert_data(dbs_and_collections):

# 连接 MongoDB 数据库

mongodb_client = pymongo.MongoClient(host='127.0.0.1',port=27017)  # 直接使用默认地址端口连接 MongoDB

for db_name, collection_name in dbs_and_collections.items():

# 数据库操作，创建 collection 集合对象

db = mongodb_client[db_name]

collection = db[collection_name]

# 获取 collection 集合大小

collection_size = round(float(db.command("collstats", collection_name).get('size')) / 1024 / 1024, 2)

# 获取 collection 集合内数据条数

current_count = collection.count()        # 初始化数据条数，当程序刚执行时，条数初始量就设置为第一次执行时获取的数据

init_count = _count_dict.get(collection_name, current_count)        # 初始化数据大小，当程序刚执行时，大小初始量就设置为第一次执行时获取的数据大小

init_size = _size_dict.get(collection_name, collection_size)        # 得到数据条数增长量

increase_amount = current_count - init_count

# 得到数据大小增长量

increase_collection_size = collection_size - init_size        # 得到当前时间

current_time = datetime.utcnow().strftime('%Y-%m-%dT%H:%M:%SZ')        # 赋值

_count_dict[collection_name] = current_count

_size_dict[collection_name] = collection_size        # 构建

json_body = [

{                "measurement": "crawler",                "time": current_time,                "tags": {                    "spider_name": collection_name

},                "fields": {                    "count": current_count,                    "increase_count": increase_amount,                    "size": collection_size,                    "increase_size": increase_collection_size

}

}

]        # 将获取

if client.write_points(json_body):

print('成功写入influxdb！',json_body)def main():

# 获取配置文件中的监控频率和MongoDB数据库设置

interval, dbs_and_collexctions = parse_config(config_name)    # 如果配置有问题则报错

if (interval or dbs_and_collexctions) is None:        raise ValueError('配置有问题，请打开配置文件重新设置！')

print('设置监控频率：', interval)

print('设置要监控的MongoDB数据库和集合：', dbs_and_collexctions)

last_interval = interval

last_dbs_and_collexctions = dbs_and_collexctions    # 这里实现配置文件热更新

for f, mtime in WATCHED_FILES_MTIMES:        while True:            # 检查配置更新情况，如果文件有被修改，则重新获取配置内容

if getmtime(f) != mtime:                # 获取配置信息

interval, dbs_and_collections = parse_config(config_name)

print('提示：配置文件于 %s 更新！' % (time.strftime("%Y-%m-%d %H:%M:%S")))

# 如果配置有问题，则使用上一次的配置

if (interval or dbs_and_collexctions) is None:

interval = last_interval

dbs_and_collexctions = last_dbs_and_collexctions                else:

print('使用新配置！')

print('新配置内容:', interval, dbs_and_collexctions)

mtime = getmtime(f)            # 写入 influxdb 数据库

insert_data(dbs_and_collexctions)            # 使用 sleep 设置每次写入的时间间隔

time.sleep(interval)if __name__ == '__main__':

main()

6.2.配置文件 influx_settings.conf配置文件主要用于热更新相关设置 。# [需要监控的 MongoDB 数据的 数据库名 和 集合名][db]

db_collection_dict = {    'learn_selenium_doubandianying': 'movie_info',

}# [设置循环间隔时间][time]

interval = 8

7.配置 Grafana

7.1. 运行 influxDBpython3 influx_monitor.py

运行，得到下图内容，表示监控脚本运行成功。

监控脚本正常运行

新建一个 terminal 窗口，使用 vi 命令修改配置文件 influx_settings.conf 。

vi influx_settings.conf

修改间隔时间为8秒，并保存退出。

如下图：

修改间隔时间为8秒

这时运行 influxDB 的窗口，提示配置更新，说明配置热更新可用。

如下图：

红色方可内提示配置更新

7.2. 启动 grafanabrew services start grafana

WeChatcea1fbbd153aa74b9eb51677f29af18a.png

7.3. 运行爬虫文件

启动 MongoDB 数据库服务。brew services mongodb start

新建一个 terminal 窗口，运行爬虫文件。

爬虫文件运行成功

7.4. Grafana web窗口设置打开 Chrome 浏览器，输入 http://127.0.0.1:3000 登录 grafana 页面。

连接本地 influxDB 数据库，操作如下图。

在红色方框内选择 Type 类型为 InfluxDB，并输入URL：http://localhost:8086

在红框内输入influxDB数据库名称新建 dashboard

新建 graph 类型 dashboard

修改 dashboard 设置

点击红色方框修改设定

修改 dashboard 配置

设置监控的数据对象

-- 在监控脚本中，写入influxDB的代码如下，其中 "measurement" 对应 表名，"fields" 对应写入的字段；"measurement": "crawler",

"fields": {

"count": current_count,

"increase_count": increase_amount,

"size": collection_size,

"increase_size": increase_collection_size

}

效果展示

-- 如下图：

作者：猎户座alpha

链接：https://www.jianshu.com/p/9de223e05a5e