如何通过 Scrapyd + ScrapydWeb 简单高效地部署和监控分布式爬虫项目
安装和配置
- 请先确保所有主机都已经安装和启动 Scrapyd，如果需要远程访问 Scrapyd，则需将 Scrapyd 配置文件中的 bind_address 修改为
bind_address = 0.0.0.0，然后重启 Scrapyd service。 - 开发主机或任一台主机安装 ScrapydWeb：
pip install scrapydweb - 通过运行命令
scrapydweb启动 ScrapydWeb（首次启动将自动在当前工作目录生成配置文件）。 - 启用 HTTP 基本认证（可选）：
ENABLE_AUTH = True USERNAME = 'username' PASSWORD = 'password' - 添加 Scrapyd server，支持字符串和元组两种配置格式，支持添加认证信息和分组/标签：
SCRAPYD_SERVERS = [ '127.0.0.1', # 'username:password@localhost:6801#group', ('username', 'password', 'localhost', '6801', 'group'), ] - 运行命令
scrapydweb重启 ScrapydWeb。
访问 web UI
通过浏览器访问并登录 http://127.0.0.1:5000。
- Servers 页面自动输出所有 Scrapyd server 的运行状态。
- 通过分组和过滤可以自由选择若干台 Scrapyd server，然后在上方 Tabs 标签页中选择 Scrapyd 提供的任一 HTTP JSON API，实现一次操作，批量执行。
- 通过集成 LogParser，Jobs 页面自动输出爬虫任务的 pages 和 items 数据。
- ScrapydWeb 默认通过定时创建快照将爬虫任务列表信息保存到数据库，即使重启 Scrapyd server 也不会丢失任务信息。(issue 12)
部署项目
- 通过配置
SCRAPY_PROJECTS_DIR指定 Scrapy 项目开发目录，ScrapydWeb 将自动列出该路径下的所有项目，默认选定最新编辑的项目，选择项目后即可自动打包和部署指定项目。 - 如果 ScrapydWeb 运行在远程服务器上，除了通过当前开发主机上传常规的 egg 文件，也可以将整个项目文件夹添加到 zip/tar/tar.gz 压缩文件后直接上传即可，无需手动打包为 egg 文件。
- 支持一键部署项目到 Scrapyd server 集群。
运行爬虫
- 通过下拉框依次选择 project，version 和 spider。
- 支持传入 Scrapy settings 和 spider arguments。
- 支持创建基于 APScheduler 的定时爬虫任务。(如需同时启动大量爬虫任务，则需调整 Scrapyd 配置文件的 max-proc 参数)
- 支持在 Scrapyd server 集群上一键启动分布式爬虫。
日志分析和可视化
- 如果在同一台主机运行 Scrapyd 和 ScrapydWeb，建议设置
SCRAPYD_LOGS_DIR和ENABLE_LOGPARSER，则启动 ScrapydWeb 时将自动运行 LogParser，该子进程通过定时增量式解析指定目录下的 Scrapy 日志文件以加快 Stats 页面的生成，避免因请求原始日志文件而占用大量内存和网络资源。 - 同理，如果需要管理 Scrapyd server 集群，建议在其余主机单独安装和启动 LogParser。
- 如果安装的 Scrapy 版本不大于 1.5.1，LogParser 将能够自动通过 Scrapy 内建的 Telnet Console 读取 Crawler.stats 和 Crawler.engine 数据，以便掌握 Scrapy 内部运行状态。
定时爬虫任务
- 支持查看爬虫任务的参数信息，追溯历史记录
- 支持暂停，恢复，触发，停止，编辑和删除任务等操作
邮件通知
通过轮询子进程在后台定时模拟访问 Stats 页面，ScrapydWeb 将在满足特定触发器时根据设定自动停止爬虫任务并发送通知邮件，邮件正文包含当前爬虫任务的统计信息。
- 添加邮箱帐号：
SMTP_SERVER = 'smtp.qq.com' SMTP_PORT = 465 SMTP_OVER_SSL = True SMTP_CONNECTION_TIMEOUT = 10
EMAIL_USERNAME = '' # defaults to FROM_ADDR
EMAIL_PASSWORD = 'password'
FROM_ADDR = 'username@qq.com'
TO_ADDRS = [FROM_ADDR]
2. 设置邮件工作时间和基本触发器，以下示例代表：每隔1小时或当某一任务完成时，并且当前时间是工作日的9点，12点和17点，*ScrapydWeb* 将会发送通知邮件。
```python
EMAIL_WORKING_DAYS = [1, 2, 3, 4, 5]
EMAIL_WORKING_HOURS = [9, 12, 17]
ON_JOB_RUNNING_INTERVAL = 3600
ON_JOB_FINISHED = True- 除了基本触发器，ScrapydWeb 还提供了多种触发器用于处理不同类型的 log，包括 'CRITICAL', 'ERROR', 'WARNING', 'REDIRECT', 'RETRY' 和 'IGNORE'等。
LOG_CRITICAL_THRESHOLD = 3 LOG_CRITICAL_TRIGGER_STOP = True LOG_CRITICAL_TRIGGER_FORCESTOP = False # ... LOG_IGNORE_TRIGGER_FORCESTOP = False以上示例代表：当日志中出现3条或以上的 critical 级别的 log 时，ScrapydWeb 将自动停止当前任务，如果当前时间在邮件工作时间内，则同时发送通知邮件。
移动端 UI
