linux定时scrapy,scrapyd部署scrapy项目及定时启动，SpiderKeeper(爬虫监控)

scrapyd部署scrapy项目

安装scrapyd　和scrapyd-client

pip install scrapyd

pip install scrapyd-client

发布项目

首先切换到项目的目录，scrapy.cfg记录了项目的配置信息

├── scrapy.cfg #项目配置目录

└── Test

├── __init__.py

├── __init__.pyc

├── items.py

├── middlewares.py

├── pipelines.py

├── settings.py

├── settings.pyc

└── spiders

├── __init__.py

└── __init__.pyc

scrapy.cfg的内容

[settings]

default = Test.settings

[deploy:Myploy]#发布名称

url = http://localhost:6800/　#项目发布到那个地址

project = Test#项目名称

接下来写一个简单的爬虫，爬取scrapy首页标题

＃Spd.py

import scrapy

import logging

class TestSpider(scrapy.Spider):

name = "spd"#爬虫名称，调度的时候要用到

logger = logging.getLogger('Mylogger')

start_urls = ['https://scrapy.org/doc/']

def parse(self,response):

title = response.xpath('//title//text()')

self.logger.info(title)

项目结构：

├── scrapy.cfg

└── Test

├── __init__.py

├── __init__.pyc

├── items.py

├── middlewares.py

├── pipelines.py

├── settings.py

├── settings.pyc

└── spiders

├── __init__.py

├── __init__.pyc

└── Spd.py

要发布项目，首先要启动scrapyd,直接在命令行输入scrapyd,成功得到类似如下输出

2016-12-21 14:51:31+0800 [-] Log opened.

2016-12-21 14:51:31+0800 [-] twistd 16.0.0 (/usr/bin/python 2.7.12) starting up.

2016-12-21 14:51:31+0800 [-] reactor class: twisted.internet.epollreactor.EPollReactor.

2016-12-21 14:51:31+0800 [-] Site starting on 6800

2016-12-21 14:51:31+0800 [-] Starting factory

2016-12-21 14:51:31+0800 [Launcher] Scrapyd 1.1.1 started: max_proc=32, runner='scrapyd.runner'

发布项目

scrapyd-deploy Myploy -p Test #在scrapy.cfg文件有配置

Packing version 1482303178

Deploying to project "Test" in http://localhost:6800/addversion.json

Server response (200):

{"status": "ok", "project": "Test", "version": "1482303178", "spiders": 1, "node_name": "tozo-CW65S"}

现在只是将项目发布到目标地址，但是没有调度爬虫，调度爬虫需要用到ｃｕｒｌ命令，在http://localhost:6800有提示如下：

curl http://localhost:6800/schedule.json -d project=default -d spider=somespider

只需要改动一下即可

curl http://localhost:6800/schedule.json -d project=Test -d spider=spd

#输出

{"status": "ok", "jobid": "bd12faeac74a11e690de80fa5b1efd50", "node_name": "tozo-CW65S"}

windows部署SpiderKeeper(爬虫监控)

第一步:

mkvirtualenv 创建虚拟环境

Linux虚拟环境配置

Windows虚拟环境配置

第二步:

workon spiderkeeper (本人创建的虚拟环境spiderkeeper)

pip install spiderkeeper

pip install scrapy

pip install scrapy_redis

pip install scrapyd

pip install scrapy_client

第三步:

先进入虚拟环境，直接在任意目录下命令行输入spiderkeeper即可运行spiderkeeeper

第四步：

使用scrapyd打包你的项目生成.egg文件，以便后面传到spiderkeeper上面

python "C:\Users\admin\workspace\pc\Lib\site-packages\scrapyd-client\scrapyd-deploy" --build-egg news.egg

这里写图片描述

第五步:

在项目目录下启动scrapyd(注意，必须现在项目目录下的scrapy.cfg中开启url这个选项，默认是注释状态，不生效)

第六步:

在浏览器访问127.0.0.1:5000,创建项目

这里写图片描述

点击创建项目，项目名称自己随意设置

第七步:

上传刚才生成的egg文件

这里写图片描述

这里写图片描述

上传成功

第八步:

点击仪表盘，添加一个任务

这里写图片描述

这里写图片描述

spiderkeeper一大优点就是计划任务做的很好，帮助我们减少了一些工作。

这里计划任务根据自己需求设置，设置完点击创建即可

第九步:

设置完成点击运行即可，如果你设置错了，也可以选择移除它。

这里写图片描述

第十步:

部署完成，回到仪表盘看下自己的爬虫执行状态。

这里写图片描述

不想运行了也可以点击结束爬虫，需要注意的是，一个爬虫结束后，需要在进行添加一次任务。spiderkeeper封装了scrapyd的log接口，我们可以直接点击log查看爬虫的异常信息。

扩展:

如果想把监控部署在网络上，项目目录下scrapy.cfg中的url需要配置成0.0.0.0，设置完请重启scrapyd。

到这里已经结束啦，喜欢的朋友点个赞吧!