如何快速搭建實(shí)用的爬蟲(chóng)管理平臺(tái)

這篇文章主要講解了“如何快速搭建實(shí)用的爬蟲(chóng)管理平臺(tái)”，文中的講解內(nèi)容簡(jiǎn)單清晰，易于學(xué)習(xí)與理解，下面請(qǐng)大家跟著小編的思路慢慢深入，一起來(lái)研究和學(xué)習(xí)“如何快速搭建實(shí)用的爬蟲(chóng)管理平臺(tái)”吧！

爬蟲(chóng)有多重要

對(duì)搜索引擎來(lái)說(shuō)，爬蟲(chóng)不可或缺；對(duì)輿情公司來(lái)說(shuō)，爬蟲(chóng)是基礎(chǔ)；對(duì) NLP來(lái)說(shuō)，爬蟲(chóng)可以獲取語(yǔ)料；對(duì)初創(chuàng)公司來(lái)說(shuō)，爬蟲(chóng)可以獲取初始內(nèi)容。但是爬蟲(chóng)技術(shù)紛繁復(fù)雜，不同類(lèi)型的抓取場(chǎng)景會(huì)運(yùn)用到不同的技術(shù)。例如，簡(jiǎn)單的靜態(tài)頁(yè)面可以用 HTTP 請(qǐng)求＋HTML 解析器直接搞定；一個(gè)動(dòng)態(tài)頁(yè)面需要用 Puppeteer 或 Selenium等自動(dòng)化測(cè)試工具；有反爬的網(wǎng)站需要用到代理、打碼等技術(shù)；等等。那么此時(shí)就需要一個(gè)成熟的爬蟲(chóng)管理平臺(tái)，幫助企業(yè)或個(gè)人處理大量的爬蟲(chóng)類(lèi)別。

理解什么是爬蟲(chóng)管理平臺(tái)

定義

爬蟲(chóng)管理平臺(tái)是一個(gè)一站式管理系統(tǒng)，集爬蟲(chóng)部署、任務(wù)調(diào)度、任務(wù)監(jiān)控、結(jié)果展示等模塊于一體，通常配有可視化 UI 界面，可以在 Web 端通過(guò)與 UI 界面交互來(lái)有效管理爬蟲(chóng)。爬蟲(chóng)管理平臺(tái)一般來(lái)說(shuō)是支持分布式的，可以在多臺(tái)機(jī)器上協(xié)作運(yùn)行。

當(dāng)然，上述這個(gè)定義是狹義的，通常針對(duì)于技術(shù)人員或開(kāi)發(fā)者或技術(shù)經(jīng)理。企業(yè)內(nèi)部一般都會(huì)開(kāi)發(fā)自己的內(nèi)部爬蟲(chóng)管理系統(tǒng)，以應(yīng)對(duì)復(fù)雜的爬蟲(chóng)管理需求。這樣的系統(tǒng)就是上述定義的狹義的爬蟲(chóng)管理平臺(tái)。

廣義爬蟲(chóng)管理平臺(tái)

而什么是廣義的爬蟲(chóng)管理平臺(tái)呢？您可能聽(tīng)說(shuō)過(guò)神箭手（后轉(zhuǎn)型為后羿采集器）和八爪魚(yú)吧。前者是基于云服務(wù)的，可以在線(xiàn)上編寫(xiě)、運(yùn)行和監(jiān)控爬蟲(chóng)，在廣義爬蟲(chóng)平臺(tái)中最接近狹義定義的爬蟲(chóng)管理平臺(tái)；后者是一個(gè)大眾的商業(yè)爬蟲(chóng)抓取工具，可以讓小白用戶(hù)拖拉拽編寫(xiě)、運(yùn)行爬蟲(chóng)，導(dǎo)出數(shù)據(jù)。您也可能見(jiàn)過(guò)各種 API 聚合服務(wù)商，例如聚合數(shù)據(jù)，這是一個(gè)可以直接調(diào)用網(wǎng)站接口獲取數(shù)據(jù)的平臺(tái)，這其實(shí)也算作爬蟲(chóng)平臺(tái)的一個(gè)變種，只是它幫你完成了爬蟲(chóng)編寫(xiě)這一過(guò)程。而介于這兩者之間的呢，國(guó)外有一家叫 Kimonolab 的公司，它開(kāi)發(fā)了一個(gè)叫 Kimono 的 Chrome 插件，可以讓用戶(hù)在頁(yè)面上可視化的點(diǎn)擊元素并生成抓取規(guī)則，并在其網(wǎng)站上生成爬蟲(chóng)程序，用戶(hù)提交任務(wù)，后臺(tái)就可以自動(dòng)在網(wǎng)站上抓取數(shù)據(jù)了。Kimono 是一個(gè)偉大的爬蟲(chóng)應(yīng)用，但可惜的是，Kimonolab 已經(jīng)被大數(shù)據(jù)公司 Plantir 收購(gòu)，現(xiàn)在也就無(wú)法體驗(yàn)了。

在本文中，我們主要關(guān)注狹義定義的爬蟲(chóng)管理平臺(tái)，因此后面所講到的爬蟲(chóng)管理平臺(tái)都是指狹義的定義。

爬蟲(chóng)管理平臺(tái)模塊

以下是一個(gè)典型的爬蟲(chóng)管理平臺(tái)所涉及的模塊。

爬蟲(chóng)管理平臺(tái)架構(gòu)

典型爬蟲(chóng)管理平臺(tái)的模塊主要包含以下內(nèi)容：

• 任務(wù)管理：如何執(zhí)行、調(diào)度爬蟲(chóng)抓取任務(wù)，以及如何監(jiān)控任務(wù)，包括日志監(jiān)控等等；

• 爬蟲(chóng)管理：包括爬蟲(chóng)部署，即將開(kāi)發(fā)好的爬蟲(chóng)部署（打包或復(fù)制）到相應(yīng)的節(jié)點(diǎn)上，以及爬蟲(chóng)配置和版本管理；

• 節(jié)點(diǎn)管理：包括節(jié)點(diǎn)（服務(wù)器/機(jī)器）的注冊(cè)和監(jiān)控，以及節(jié)點(diǎn)之間的通信，如何監(jiān)控節(jié)點(diǎn)性能狀況等；

• 前端應(yīng)用：包括一個(gè)可視化 UI 界面，讓用戶(hù)可通過(guò)與其交互，與后臺(tái)應(yīng)用進(jìn)行通信。

當(dāng)然，有些爬蟲(chóng)管理平臺(tái)可能還不止這些模塊，它可能包括其他比較實(shí)用的功能，例如可配置的抓取規(guī)則、可視化配置抓取規(guī)則、代理池、Cookie 池、異常監(jiān)控等等。

為什么需要爬蟲(chóng)管理平臺(tái)

有了爬蟲(chóng)管理平臺(tái)，開(kāi)發(fā)者特別是爬蟲(chóng)工程師就能夠方便的添加爬蟲(chóng)、執(zhí)行任務(wù)、查看結(jié)果，而不用在命令行之間來(lái)回切換，非常容易出錯(cuò)。一個(gè)常見(jiàn)的場(chǎng)景就是爬蟲(chóng)工程師最初技術(shù)選型用了 scrapy 和 crontab 來(lái)管理爬蟲(chóng)任務(wù)，他不得不小心翼翼的選擇定時(shí)任務(wù)的時(shí)間區(qū)間，以至于不會(huì)將服務(wù)器 CPU 或內(nèi)存占滿(mǎn)；更棘手的問(wèn)題是，他還需要將 scrapy 產(chǎn)生的日志存到文件里，一旦爬蟲(chóng)出錯(cuò)了，他不得不用 shell 命令一個(gè)一個(gè)來(lái)查看日志來(lái)定位錯(cuò)誤原因，嚴(yán)重時(shí)會(huì)花上一個(gè)整天；還有個(gè)嚴(yán)重的問(wèn)題，爬蟲(chóng)工程師可能發(fā)現(xiàn)公司業(yè)務(wù)量在增加，他需要寫(xiě)上百個(gè)爬蟲(chóng)來(lái)滿(mǎn)足公司的業(yè)務(wù)需求，而用 scrapy 和 crontab 來(lái)管理完全就是個(gè)噩夢(mèng)?？蓱z的爬蟲(chóng)工程師其實(shí)完全可以選擇一個(gè)合適爬蟲(chóng)管理平臺(tái)來(lái)解決他的問(wèn)題。

如何選擇一個(gè)合適的爬蟲(chóng)管理平臺(tái)

當(dāng)您愿意解決前面提到的爬蟲(chóng)工程師遇到的困難問(wèn)題，而轉(zhuǎn)而想選擇一個(gè)合適的爬蟲(chóng)管理平臺(tái)時(shí)。

您首先應(yīng)該回答的問(wèn)題是：我們是否需要從零開(kāi)始開(kāi)發(fā)一套系統(tǒng)（Start from scratch）？要回答這個(gè)問(wèn)題，您應(yīng)該先回答下面幾個(gè)問(wèn)題：

1. 我們的需求是否復(fù)雜到需要完全定制化開(kāi)發(fā)一套新系統(tǒng)（例如要求復(fù)雜的權(quán)限管理）？

2. 我們的團(tuán)隊(duì)是否有足夠的技術(shù)實(shí)力來(lái)開(kāi)發(fā)這套系統(tǒng)（例如有經(jīng)驗(yàn)豐富的前后端開(kāi)發(fā)工程師）？

3. 我們的時(shí)間資源是否足夠我們開(kāi)發(fā)這套系統(tǒng)（例如項(xiàng)目計(jì)劃周期為一年）？

如果上述三個(gè)問(wèn)題的答案任意一個(gè)為“否”，您應(yīng)該好好考慮利用市面上已有的開(kāi)源爬蟲(chóng)管理平臺(tái)來(lái)滿(mǎn)足您的需求。

以下為市面上已有的開(kāi)源爬蟲(chóng)管理平臺(tái)：

總的來(lái)說(shuō)，SpiderKeeper 可能是最早的爬蟲(chóng)管理平臺(tái)，但功能相對(duì)來(lái)說(shuō)比較局限；Gerapy 雖然功能齊全，界面精美，但有不少 bug 需要處理，建議有需求的用戶(hù)等待 2.0 版本；Scrapydweb是一個(gè)比較完善的爬蟲(chóng)管理平臺(tái)，不過(guò)和前兩者一樣，都是基于 scrapyd 的，因此只能運(yùn)行 scrapy 爬蟲(chóng)；而Crawlab是一個(gè)非常靈活的爬蟲(chóng)管理平臺(tái)，可以運(yùn)行 Python、Nodejs、Java、PHP、Go 寫(xiě)的爬蟲(chóng)，而且功能比較齊全，只是部署起來(lái)相對(duì)于前三者來(lái)說(shuō)要麻煩一些，不過(guò)對(duì)于 Docker 使用者來(lái)說(shuō)可以做到一件部署（后面我們會(huì)講）。

因此，對(duì)于重度 scrapy 爬蟲(chóng)依賴(lài)的、又不想折騰的開(kāi)發(fā)者，可以考慮 Scrapydweb；而對(duì)于有各種類(lèi)型的、復(fù)雜技術(shù)結(jié)構(gòu)的爬蟲(chóng)開(kāi)發(fā)者來(lái)說(shuō)，應(yīng)該優(yōu)先考慮更靈活的 Crawlab。當(dāng)然，不是說(shuō) Crawlab 對(duì) scrapy 支持不友好，Crawlab 同樣可以很好的集成 scrapy，后面會(huì)介紹。

作為 Crawlab 的作者，不想王婆賣(mài)瓜，自賣(mài)自夸，作者僅僅希望將最好的技術(shù)選型推薦給開(kāi)發(fā)者，讓開(kāi)發(fā)者根據(jù)自身的需求來(lái)決定該使用哪種爬蟲(chóng)管理平臺(tái)。

爬蟲(chóng)管理平臺(tái) Crawlab 介紹

簡(jiǎn)介

Crawlab 是基于 Golang 的分布式爬蟲(chóng)管理平臺(tái)，支持 Python、NodeJS、Java、Go、PHP 等多種編程語(yǔ)言以及多種爬蟲(chóng)框架。

Crawlab 自今年三月份上線(xiàn)以來(lái)受到爬蟲(chóng)愛(ài)好者們和開(kāi)發(fā)者們的好評(píng)，不少使用者還表示會(huì)用 Crawlab 搭建公司的爬蟲(chóng)平臺(tái)。經(jīng)過(guò)近數(shù)月的迭代，Crawlab 陸續(xù)上線(xiàn)了定時(shí)任務(wù)、數(shù)據(jù)分析、網(wǎng)站信息、可配置爬蟲(chóng)、自動(dòng)提取字段、下載結(jié)果、上傳爬蟲(chóng)等功能，將平臺(tái)變得得更加實(shí)用，更加全面，能夠真正幫助用戶(hù)解決爬蟲(chóng)管理困難的問(wèn)題。如今在 Github 上有近 1k 的 star，相關(guān)社區(qū)也建立起來(lái)，四分之一的用戶(hù)表示已經(jīng)將 Crawlab 應(yīng)用于企業(yè)爬蟲(chóng)管理?？梢钥闯?，Crawlab 是受開(kāi)發(fā)者們關(guān)注和喜歡的。

解決問(wèn)題

Crawlab 主要解決的是大量爬蟲(chóng)管理困難的問(wèn)題，例如需要監(jiān)控上百個(gè)網(wǎng)站的參雜 scrapy 和 selenium 的項(xiàng)目不容易做到同時(shí)管理，而且命令行管理的成本非常高，還容易出錯(cuò)。Crawlab 支持任何語(yǔ)言和任何框架，配合任務(wù)調(diào)度、任務(wù)監(jiān)控，很容易做到對(duì)成規(guī)模的爬蟲(chóng)項(xiàng)目進(jìn)行有效監(jiān)控管理。

界面及使用

下面是 Crawlab 爬蟲(chóng)列表頁(yè)面的截圖。

Crawlab 爬蟲(chóng)列表

用戶(hù)只需要將爬蟲(chóng)上傳到 Crawlab，配置執(zhí)行命令，點(diǎn)擊“運(yùn)行”按鈕，就可以執(zhí)行爬蟲(chóng)任務(wù)了。爬蟲(chóng)任務(wù)可以在任何節(jié)點(diǎn)上運(yùn)行。從上圖可以看到，Crawlab 有節(jié)點(diǎn)管理、爬蟲(chóng)管理、任務(wù)管理、定時(shí)任務(wù)、用戶(hù)管理等模塊。

整體架構(gòu)

以下是 Crawlab 的整體架構(gòu)圖，由五大部分組成：

1. 主節(jié)點(diǎn)（Master Node）：負(fù)責(zé)任務(wù)派發(fā)、API、部署爬蟲(chóng)等；

2. 工作節(jié)點(diǎn)（Worker Node）：負(fù)責(zé)執(zhí)行爬蟲(chóng)任務(wù)；

3. MongoDB 數(shù)據(jù)庫(kù)：存儲(chǔ)節(jié)點(diǎn)、爬蟲(chóng)、任務(wù)等日常運(yùn)行數(shù)據(jù)；

4. Redis 數(shù)據(jù)庫(kù)：儲(chǔ)存任務(wù)消息隊(duì)列、節(jié)點(diǎn)心跳等信息。

5. 前端客戶(hù)端：Vue 應(yīng)用，負(fù)責(zé)前端交互和向后端請(qǐng)求數(shù)據(jù)。

Crawlab 架構(gòu)

關(guān)于 Crawlab 如何使用和詳細(xì)原理超出了本篇文章的范圍， 感興趣的可以去參考Github 主頁(yè)或相關(guān)文檔。

Github地址及Demo

• 查看演示 Demo

• Github: https://github.com/tikazyq/crawlab

使用 Docker 部署安裝 Crawlab

Docker 鏡像

Docker 是部署 Crawlab 最方便和簡(jiǎn)潔的方式。其他部署方式包括直接部署，不過(guò)對(duì)于想快速搭建平臺(tái)的開(kāi)發(fā)者來(lái)說(shuō)不推薦。Crawlab 已在Dockerhub上注冊(cè)了相關(guān)的鏡像，開(kāi)發(fā)者僅需要執(zhí)行docker pull tikazyq/crawlab命令就可以將 Crawlab 的鏡像下載下來(lái)。

讀者可以去 Dockerhub 上查看 Crawlab 的鏡像，只有僅不到 300Mb。 地址：https://hub.docker.com/r/tikazyq/crawlab/tags

Dockerhub Page

安裝 Docker

要使用 Docker 來(lái)部署 Crawlab，您首先得保證 Docker 已經(jīng)安裝好。請(qǐng)參考以下文檔來(lái)安裝。

安裝 Docker Compose

Docker Compose 是簡(jiǎn)單的運(yùn)行 Docker 集群的工具，非常輕量級(jí)，我們將用到 Docker Compose 來(lái)一鍵部署 Crawlab。

Docker 的官方網(wǎng)站已經(jīng)有如何安裝 Docker Compose 的教程，點(diǎn)擊鏈接查看。這里簡(jiǎn)單介紹一下。

Linux 用戶(hù)請(qǐng)用以下命令安裝。

# 下載 docker-compose
sudo curl -L "https://github.com/docker/compose/releases/download/1.24.1/docker-compose-$(uname -s)-$(uname -m)" -o /usr/local/bin/docker-compose`

# 將 docker-compose 變成執(zhí)行文件
sudo chmod +x /usr/local/bin/docker-compose

拉取鏡像

在拉取鏡像之前，您需要配置一下鏡像源。因?yàn)樵趪?guó)內(nèi)，使用原有的鏡像源速度不是很快，需要使用 DockerHub 在國(guó)內(nèi)的加速器。請(qǐng)創(chuàng)建/etc/docker/daemon.json文件，輸入如下內(nèi)容。

{
  "registry-mirrors": ["https://registry.docker-cn.com"]
}

然后拉取鏡像，就會(huì)快很多了。當(dāng)然，您也可以用其他鏡像源，可以網(wǎng)上去搜索一下。執(zhí)行以下命令將 Crawlab 鏡像拉取下來(lái)。

docker pull tikazyq/crawlab:latest

下圖為拉取鏡像時(shí)的命令行界面。

docker pull

啟動(dòng) Crawlab

我們將用 Docker Compose 啟動(dòng) Crawlab 以及其依賴(lài)的數(shù)據(jù)庫(kù) MongoDB 和 Redis。首先我們需要修改一下 Docker Compose 的 yaml 配置文件docker-compose.yml。這個(gè)配置文件定義了需要啟動(dòng)的容器服務(wù)（Container Services）以及網(wǎng)絡(luò)配置（Network Configuration）。這里我們用 Crawlab 自帶的docker-compose.yml。

version: '3.3'  # Docker Compose 的版本號(hào)（請(qǐng)看后續(xù)說(shuō)明）
services:  # 服務(wù)
  master:  # 服務(wù)名稱(chēng)
    image: tikazyq/crawlab:latest  # 服務(wù)對(duì)應(yīng)的鏡像名稱(chēng)
    container_name: master  # 服務(wù)對(duì)應(yīng)的容器名稱(chēng)
    environment:  # 這里定義傳入的環(huán)境變量
      CRAWLAB_API_ADDRESS: "localhost:8000"  # 前端調(diào)用的 API 地址，默認(rèn)為 localhost:8000
      CRAWLAB_SERVER_MASTER: "Y"  # 是否為主節(jié)點(diǎn)，Y/N
      CRAWLAB_MONGO_HOST: "mongo"  # MongoDB host，由于在 Docker Compose 里，可以引用服務(wù)名稱(chēng)
      CRAWLAB_REDIS_ADDRESS: "redis"  # Redis host，由于在 Docker Compose 里，可以引用服務(wù)名稱(chēng)
    ports:  # 映射的端口
      - "8080:8080" # 前端端口
      - "8000:8000" # 后端端口
    depends_on: # 依賴(lài)的服務(wù)
      - mongo  # MongoDB
      - redis  # Redis
  worker:  # 工作節(jié)點(diǎn)，與主節(jié)點(diǎn)配置類(lèi)似，不重復(fù)寫(xiě)了
    image: tikazyq/crawlab:latest
    container_name: worker
    environment:
      CRAWLAB_SERVER_MASTER: "N"
      CRAWLAB_MONGO_HOST: "mongo"
      CRAWLAB_REDIS_ADDRESS: "redis"
    depends_on:
      - mongo
      - redis
  mongo:  # MongoDB 服務(wù)名稱(chēng)
    image: mongo:latest  # MongoDB 鏡像名稱(chēng)
    restart: always  # 重啟策略為“總是”
    ports:  # 映射端口
      - "27017:27017"
  redis:  # Redis 服務(wù)名稱(chēng)
    image: redis:latest  # Redis 鏡像名稱(chēng)
    restart: always  # 重啟策略為“總是”
    ports:  # 映射端口
      - "6379:6379"

讀者可以根據(jù)自己的要求來(lái)配置docker-compose.yml。尤其需要注意CRAWLAB_API_ADDRESS這個(gè)環(huán)境變量，很多初學(xué)使用者都是因?yàn)樵撟兞颗渲貌徽_而導(dǎo)致無(wú)法登陸。大多數(shù)情況，您不用做任何配置更改。請(qǐng)參考Q&A來(lái)處理常見(jiàn)問(wèn)題，以及詳細(xì)的環(huán)境變量配置文檔來(lái)幫助根據(jù)自身環(huán)境配置 Crawlab。

然后，運(yùn)行下列命令啟動(dòng) Crawlab?？梢约右粋€(gè)-d參數(shù)讓 Docker Compose 后臺(tái)運(yùn)行。

docker-compose up

運(yùn)行上述命令后，Docker Compose 會(huì)去拉取 MongoDB 和 Redis 的鏡像，這可能會(huì)花幾分鐘時(shí)間。拉取完畢后，四個(gè)服務(wù)會(huì)依次啟動(dòng)，您將會(huì)在命令行中看到如下內(nèi)容。

docker-compose

正常情況下，您應(yīng)該可以看到四個(gè)服務(wù)都啟動(dòng)成功，并能夠順利打印日志。

如果您是在本機(jī)上啟動(dòng)的 Docker Compose，可以在瀏覽器中輸入http://localhost:8080，然后就能看到登陸界面了；如果您是在其他機(jī)器上啟動(dòng)的 Docker Compose，您需要在瀏覽器中輸入http://<your_ip>:8080來(lái)看到登陸界面，<your_ip>是其他機(jī)器的 IP 地址（請(qǐng)保證 8080 端口在該機(jī)器已對(duì)外開(kāi)放）。

login

初始登陸用戶(hù)名密碼是 admin/admin，您可以使用這個(gè)用戶(hù)名密碼來(lái)登陸。如果您的環(huán)境變量CRAWLAB_API_ADDRESS設(shè)置得不正確，您可能會(huì)看到點(diǎn)擊登陸后登陸按鈕會(huì)一直轉(zhuǎn)圈而沒(méi)有任何提示。這時(shí)請(qǐng)重新在docker-compose.yml中設(shè)置正確的CRAWLAB_API_ADDRESS（將localhost替換為<your_ip>），重新啟動(dòng)docker-compose up。然后在瀏覽器中輸入http://<your_ip>:8080。

登陸之后您將看到 Crawlab 的主頁(yè)。

home

本篇文章主要介紹如何搭建爬蟲(chóng)管理平臺(tái) Crawlab，因此不會(huì)詳細(xì)介紹如何使用 Crawlab（可能會(huì)創(chuàng)建另一篇文章來(lái)詳細(xì)介紹，有興趣者可以關(guān)注一下）。如果您有困惑，請(qǐng)查看相關(guān)文檔來(lái)了解如何使用。

如何將 Scrapy 等爬蟲(chóng)集成到 Crawlab

眾所周知，Scrapy 是非常受歡迎的爬蟲(chóng)框架，其靈活的框架設(shè)計(jì)、高并發(fā)、易用性以及可擴(kuò)展性讓很多開(kāi)發(fā)者和企業(yè)大量采用。市面上的爬蟲(chóng)管理平臺(tái)幾乎都支持 Scrapy 爬蟲(chóng)，Crawlab 也不例外，但 Crawlab 可以運(yùn)行 puppeteer、selenium 等其他爬蟲(chóng)。下面將介紹一下在 Crawlab 中如何運(yùn)行 scrapy 爬蟲(chóng)。

Crawlab 是執(zhí)行爬蟲(chóng)基本原理

Crawlab 執(zhí)行爬蟲(chóng)的原理很簡(jiǎn)單，其實(shí)就是一個(gè) shell 命令。用戶(hù)在爬蟲(chóng)中輸入執(zhí)行爬蟲(chóng)的 shell 命令，例如scrapy crawl some_spider，Crawlab 執(zhí)行器會(huì)讀取這個(gè)命令，并在 shell 中直接執(zhí)行。因此，每一次運(yùn)行爬蟲(chóng)任務(wù)，就是執(zhí)行了一次 shell 命令（當(dāng)然，實(shí)際情況要比這個(gè)復(fù)雜很多，感興趣的可以去參考官方文檔）。Crawlab 是支持展示和導(dǎo)出爬蟲(chóng)結(jié)果的，不過(guò)這需要稍微多做一些工作。

編寫(xiě) Pipeline

要集成 scrapy 爬蟲(chóng)，無(wú)非就是將爬蟲(chóng)抓取的數(shù)據(jù)存到 Crawlab 的數(shù)據(jù)庫(kù)里，然后用任務(wù) ID 關(guān)聯(lián)起來(lái)。每次執(zhí)行爬蟲(chóng)任務(wù)，任務(wù) ID 會(huì)通過(guò)環(huán)境變量傳到爬蟲(chóng)程序中，因此我們需要做的就是將任務(wù) ID 加上結(jié)果存到數(shù)據(jù)庫(kù)里（Crawlab 現(xiàn)在只支持 MongoDB，后期會(huì)開(kāi)發(fā) MySQL、SQL Server、Postgres 等關(guān)系型數(shù)據(jù)庫(kù)，有需求的用戶(hù)可以關(guān)注一下）。

在 Scrapy 中，我們需要編寫(xiě)儲(chǔ)存邏輯。示意代碼如下：

# 引入相關(guān)的庫(kù)，pymongo 是標(biāo)準(zhǔn)連接 MongoDB 的庫(kù)
import os
from pymongo import MongoClient

# MongoDB 配置參數(shù)
MONGO_HOST = '192.168.99.100'
MONGO_PORT = 27017
MONGO_DB = 'crawlab_test'

class JuejinPipeline(object):
    mongo = MongoClient(host=MONGO_HOST, port=MONGO_PORT)  # mongo 連接實(shí)例
    db = mongo[MONGO_DB]  # 數(shù)據(jù)庫(kù)實(shí)例
    col_name = os.environ.get('CRAWLAB_COLLECTION')  # 集合名稱(chēng)，通過(guò)環(huán)境變量 CRAWLAB_COLLECTION 傳過(guò)來(lái)

 # 如果 CRAWLAB_COLLECTION 不存在，則默認(rèn)集合名稱(chēng)為 test
    if not col_name:
        col_name = 'test'
 
    col = db[col_name]  # 集合實(shí)例

 # 每一個(gè)傳入 item 會(huì)調(diào)用的函數(shù)，參數(shù)分別為 item 和 spider
    def process_item(self, item, spider):
        item['task_id'] = os.environ.get('CRAWLAB_TASK_ID')  # 將 task_id 設(shè)置為環(huán)境變量傳過(guò)來(lái)的任務(wù) ID
        self.col.save(item)  # 保存 item 在數(shù)據(jù)庫(kù)中
        return item

同時(shí)，您也需要在items.py中加入task_id字段，已保證值能夠被賦上（這很重要）。

上傳并配置爬蟲(chóng)

在運(yùn)行爬蟲(chóng)之前，您需要上傳爬蟲(chóng)文件到主節(jié)點(diǎn)。步驟如下：

1. 將爬蟲(chóng)文件打包成 zip（注意，要保證在根目錄下直接打包）；

2. 在側(cè)邊欄點(diǎn)擊“爬蟲(chóng)”導(dǎo)航至爬蟲(chóng)列表，點(diǎn)擊“添加爬蟲(chóng)”按鈕，選擇“自定義爬蟲(chóng)”；

3. 點(diǎn)擊“上傳”按鈕，選擇剛剛打包好的 zip 文件

4. 上傳成功后，爬蟲(chóng)列表中會(huì)出現(xiàn)新添加的自定義爬蟲(chóng)，這樣就算上傳成功了。

可以在爬蟲(chóng)詳情中點(diǎn)擊“文件”標(biāo)簽，選擇一個(gè)文件，可以在文件中編輯代碼。

接下來(lái)，您需要在“概覽”標(biāo)簽中的“執(zhí)行命令”一欄輸入爬蟲(chóng)的 shell 執(zhí)行命令。Crawlab 的 Docker 鏡像里是內(nèi)置了 scrapy 的，因此可以直接運(yùn)行 scrapy 爬蟲(chóng)。命令就是scrapy crawl <some_spider>。點(diǎn)擊“保存”按鈕保存爬蟲(chóng)配置。

運(yùn)行爬蟲(chóng)任務(wù)

然后就是運(yùn)行爬蟲(chóng)任務(wù)了。其實(shí)很簡(jiǎn)單，在“概覽”標(biāo)簽中點(diǎn)擊“運(yùn)行”按鈕，爬蟲(chóng)任務(wù)就開(kāi)始運(yùn)行了。如果日志提示找不到 scrapy 命令，可以將scrapy改為絕對(duì)路徑/usr/local/bin/scrapy，這樣就會(huì)運(yùn)行成功。

任務(wù)運(yùn)行情況會(huì)在“任務(wù)”頁(yè)面或者爬蟲(chóng)“概覽”里展現(xiàn)，會(huì)每 5 秒鐘更新一次，大家可以在這上面查看。而且在爬蟲(chóng)“結(jié)果”標(biāo)簽里，可以預(yù)覽結(jié)果的詳情，還可以導(dǎo)出數(shù)據(jù)成 CSV 文件。

構(gòu)建持續(xù)集成（CI）工作流

對(duì)于企業(yè)來(lái)說(shuō)，軟件開(kāi)發(fā)一般是一個(gè)自動(dòng)化過(guò)程。它會(huì)經(jīng)歷需求、開(kāi)發(fā)、部署、測(cè)試、上線(xiàn)這幾個(gè)步驟。而這個(gè)流程一般是不斷迭代（Iterative）的，需要不斷更新和發(fā)布。

以爬蟲(chóng)為例，您上線(xiàn)了一個(gè)爬蟲(chóng)，這個(gè)爬蟲(chóng)會(huì)定期抓取網(wǎng)站數(shù)據(jù)。但突然有一天您發(fā)現(xiàn)數(shù)據(jù)抓不到了，您快速定位原因，發(fā)現(xiàn)原來(lái)是網(wǎng)站改版了，您需要更改爬蟲(chóng)抓取規(guī)則來(lái)應(yīng)對(duì)網(wǎng)站的改版。總之，您需要發(fā)布一個(gè)代碼更新。最快的做法是直接在線(xiàn)上更改代碼。但這樣做非常危險(xiǎn)：第一，您無(wú)法測(cè)試您更新后的代碼，只能通過(guò)不斷調(diào)整線(xiàn)上代碼來(lái)測(cè)試是否抓取成功；第二，您無(wú)法記錄這次更改，后期如果出了問(wèn)題您很可能會(huì)忽略掉這次更改，從而導(dǎo)致 bug。您需要做的，無(wú)非是將您的爬蟲(chóng)代碼用版本管理工具管理起來(lái)。我們有很多版本管理工具，最常用的就是 git、subversion，版本管理平臺(tái)包括 Gitlab、Bitbucket、自搭 Git 倉(cāng)庫(kù)等。

當(dāng)我們更新了代碼，我們需要將更新后的代碼發(fā)布到線(xiàn)上服務(wù)器。這時(shí)您需要用自己寫(xiě)部署腳本，或者更方便的，用 Jenkins 作為持續(xù)集成（Continuous Integration）管理平臺(tái)。Jenkins 是一個(gè)持續(xù)集成平臺(tái)，可以通過(guò)獲取版本庫(kù)來(lái)更新部署代碼，是非常實(shí)用的工具，在很多企業(yè)中都有用到。下圖是如何將 Crawlab 爬蟲(chóng)應(yīng)用到持續(xù)集成工作流程中的例子。

ci

要在 Crawlab 中創(chuàng)建或更新爬蟲(chóng)有兩種方式：

1. 上傳打包成后的 zip 文件；

2. 通過(guò)更改主節(jié)點(diǎn)中目錄CRAWLAB_SPIDER_PATH中的爬蟲(chóng)文件。

我們做持續(xù)集成，就是針對(duì)第二種方式。步驟如下：

1. 用 Gitlab 或其他平臺(tái)搭建好代碼倉(cāng)庫(kù)；

2. 在 Jenkins 中創(chuàng)建一個(gè)項(xiàng)目，在項(xiàng)目中將代碼源指向之前創(chuàng)建的倉(cāng)庫(kù)；

3. 在 Jenkins 項(xiàng)目中編寫(xiě)工作流，將發(fā)布地址指向 Crawlab 的CRAWLAB_SPIDER_PATH，如果是 Docker 注意將該地址掛載到宿主機(jī)文件系統(tǒng)；

4. Jenkins 項(xiàng)目的工作可以直接編寫(xiě)，也可以用 Jenkinsfile，具體可以查相關(guān)資料；

5. 這樣，每一次代碼更新提交到代碼倉(cāng)庫(kù)后，Jenkins 就會(huì)將更新后的代碼發(fā)布到 Crawlab 里，Crawlab 主節(jié)點(diǎn)會(huì)將爬蟲(chóng)代碼同步到工作節(jié)點(diǎn)，以待抓取。

感謝各位的閱讀，以上就是“如何快速搭建實(shí)用的爬蟲(chóng)管理平臺(tái)”的內(nèi)容了，經(jīng)過(guò)本文的學(xué)習(xí)后，相信大家對(duì)如何快速搭建實(shí)用的爬蟲(chóng)管理平臺(tái)這一問(wèn)題有了更深刻的體會(huì)，具體使用情況還需要大家實(shí)踐驗(yàn)證。這里是億速云，小編將為大家推送更多相關(guān)知識(shí)點(diǎn)的文章，歡迎關(guān)注！