scrapy部署介绍相关的中文文档地址
https://scrapyd.readthedocs.io/en/latest/
安装相关库
scrapyd是运行scrapy爬虫的服务程序,它支持以http命令方式发布、删除、启动、停止爬虫程序。而且scrapyd可以同时管理多个爬虫,每个爬虫还可以有多个版本
pip3 install scrapyd
scrapyd-client发布爬虫需要使用另一个专用工具,就是将代码打包为EGG文件,其次需要将EGG文件上传到远程主机上这些操作需要scrapyd-client来帮助我们完成
pip3 install scrapyd-client
安装完成后可以使用如下命令来检查是否安装成功
scrapyd-deploy -h
修改scrapy项目目录下的scrapy.cfg配置文件首先需要修改scrapyd.egg (项目的配置文件)
[deploy]
url=http://localhost:6800
project=项目名称
本地部署
项目部署相关命令: 注意这里是项目的名称而不是工程的名称
scrapyd-deploy -p <项目名称>
也可以指定版本号
scrapyd-deploy -p <项目名称> --version <版本号>
远端部署
配置服务器
step1 购买linux系统服务器
step2 在终端上登录服务器[
step3 配置项目运行环境
* 配置python环境(ubuntu自带python3环境))
* 安装pip3:sudo apt install python3-pip![在这里插入图片描述](https://img-blog.csdnimg.cn/20190922190547833.png)
* 安装scrapy:pip3 install scrapy -i https://pypi.douban.com/simple/
如果安装失败添加如下依赖:
sudo apt-get install python-dev python-pip libxml2-dev libxslt1-dev zlib1g-dev libffi-dev libssl-dev
* 安装scrapyd: pip3 install scrapyd
* 安装scrapyd-client: pip3 install scrapyd-client
* 添加爬虫运行的三方库:
* pip3 install requests
* pip3 install pymysql
* pip3 install pymongodb
* ...........
step4 修改scrapyd的配置文件,允许外网访问
* 查找配置文件的路径:find -name default_scrapyd.conf
* 修改配置文件: sudo vim 路径
注意:此时启动scrapayd服务6800端口还不能访问
step5 要去服务器安全组配置
- 进入服务安全组选项添加安全组
- 添加成功后,点击修改规则,添加如下信息(配置目的:允许访问6800端口)
- 完成后返回到云主机菜单,找到配置安全组菜单,跟换为刚才添加的安全组
- 最终完成后,在浏览器中输入ip地址和端口,显示如下图,说明配置成功
step6 最后部署爬虫项目到服务器
首先需要修改scrapyd.egg (项目的配置文件)
[deploy]
url = http://118.24.255.219:6800
project=项目名称
step7 项目部署
scrapyd-deploy -p <项目名称>
也可以指定版本号
scrapyd-deploy -p <项目名称> --version <版本号>
数据库相关
如果涉及到数据库,则需要在远程服务器中安装mysql
sudo apt update
sudo apt-get install mysql-server mysql-client
紧接着根据提示设置数据数据库密码
修改配置文件允许外网访问
找到mysql配置文件并做如下修改:允许远程连接
sudo vi /etc/mysql/mysql.conf.d/mysqld.cnf
将
bind-address= 127.0.0.1
注释掉或则修改为
bind-address= 0.0.0.0
授权root账户允许远程访问:
grant all privileges on *.* to root@'%' identified by 'password' with grant option;
注意:如果还是不能远程访问就重启mysql服务
sudo service mysql stop sudo service mysql start
数据库的迁移和数据迁移
navicate可视化工具进行数据库的迁移,和查看操作
mongodb数据库的安装
sudo apt-get install mongodb
启动:
sudo service mongodb start
连接客户端报错参考如下网址:
(输入:sudo systemctl enable mongodb) mongo
修改配置文件的路径
sudo vim /etc/mongodb.conf
redis数据库的安装在远端服务器上安装redis数据库
* step1:
* cd ~ (进入指定的目录)
step2:下载redis数据库压缩包:
wget http://download.redis.io/releases/redis-4.0.10.tar.gz
step3:解压下载的文件:
tar -zxvf redis-4.0.10.tar.gz
step4: 复制,放到/usr/local目录下面( 先创建文件夹/usr/local/redis/ )
mv ./redis-4.0.11/* /usr/local/redis/
step5:进入redis目录
* cd /usr/local/redis/
step6:
* sudo make
* sudo make test
* sudo make install
step7:
* sudo cp /usr/local/redis/redis.conf /etc/redis/
step8: 修改配置文件,允许外网访问
sudo vim redis.cnf
将配置文件中的bind修改为:
bind=0.0.0.0
step9: 启动redis服务:
sudo redis-server redis.cnf
step10:链接客户端
redis-cli -h ip -p port
**
Gerapy 使用详解
**
介绍:
Gerapy 是一款分布式爬虫管理框架,支持 Python 3,基于 Scrapy、Scrapyd、Scrapyd-Client、Scrapy-Redis、Scrapyd-API、Scrapy-Splash、Jinjia2、Django、Vue.js 开发,Gerapy 可以帮助我们:
- 更方便地控制爬虫运行
- 更直观地查看爬虫状态
- 更实时地查看爬取结果
- 更简单地实现项目部署
- 更统一地实现主机管理
- 提供在线编辑代码功能
Greapy 安装和使用
step1: gerapy下载
pip3 install gerapy
查看是否安装成功
gerapy
出现如下结果图说明安装成功
step2: 初始化gerapy进入到指定目录下(例如桌面)执行如下命令
gerapy init
执行完毕之后,便会在桌面下生成一个名字为 gerapy 的文件夹,接着进入该文件夹,可以看到有一个 projects 文件夹
step3: 初始化数据库进入到gerapy文件夹下
cd gerapy
执行(会在gerapy目录下生产一个sqlite数据库,同时创建数据表,数据库中会保存各个主机配置信息、部署版本等)
gerapy migrate
step4: 运行gerapy服务
gerapy runserver
step5:访问gerapy管理界面在浏览器中输入如下网址
http://127.0.0.1:8000
step6:在主机管理中添加个台主机的Scrapyd运行地址和端口,并设置名称,然后个台主机则会出现在主机列表中,Gerapy会监控个台主机的运行状态。
理可以管理控制已经部署好的项目外,Gerapy还支持打包和部署项目
step1:进入到gerapy文件夹下,找到projects目录,将要部署的项目移动到projects文件夹目录下
cd gerapy
step2:在此页面进行打包和部署项目到指定服务器
api调用说明
schedule.json
运行一次爬虫
Schedule a spider run (also known as a job), returning the job id.
支持的请求方法
Supported Request Methods: POST
参数:
project 字符串,必填)-项目名称
spider (字符串,必填)-蜘蛛名称
setting (字符串,可选)-运行Spider时要使用的Scrapy设置
jobid (字符串,可选)-用于标识作业的作业ID,将覆盖默认生成的UUID
_version (字符串,可选)-要使用的项目的版本
任何其他参数作为蜘蛛参数传递
请求示例:
$ curl http://localhost:6800/schedule.json -d project=myproject -d spider=somespider
响应示例:
{"status": "ok", "jobid": "6487ec79947edab326d6db28a2d86511e8247444"}
请求示例通过一个蜘蛛参数(arg1)和一个设置(DOWNLOAD_DELAY):
$ curl http://localhost:6800/schedule.json -d project=myproject -d spider=somespider -d setting=DOWNLOAD_DELAY=2 -d arg1=val1
cancel.json
New in version 0.15.
取消蜘蛛运行(又称作业)。如果作业待处理,它将被删除。如果作业正在运行,它将终止.
支持的请求方法: POST
参数:
project (字符串,必填)-项目名称
job(字符串,必填)-工作ID
请求示例:
$ curl http://localhost:6800/cancel.json -d project=myproject -d job=6487ec79947edab326d6db28a2d86511e8247444
响应示例:
{"status": "ok", "prevstate": "running"}