七叶笔记 » golang编程 » 使用 Golang 开发的分布式爬虫管理平台Crawlab

使用 Golang 开发的分布式爬虫管理平台Crawlab

基于Golang的分布式爬虫管理平台,支持Python、NodeJS、Go、 Java 、PHP等多种 编程语言 以及多种爬虫框架。

安装

三种方式:

  1. Docker(推荐)
  2. 直接部署(了解内核)

要求(Docker)

  • Docker 18.03+
  • Redis
  • MongoDB 3.6+

要求(直接部署)

  • Go 1.12+
  • Node 8.12+
  • Redis
  • MongoDB 3.6+

运行

Docker

运行主节点示例。192.168.99.1是在Docker Machine网络中的宿主机IP地址。192.168.99.100是Docker主节点的IP地址。

docker run -d --rm --name crawlab \
 -e CRAWLAB_REDIS_ADDRESS=192.168.99.1 \
 -e CRAWLAB_MONGO_HOST=192.168.99.1 \
 -e CRAWLAB_SERVER_MASTER=Y \
 -e CRAWLAB_API_ADDRESS=192.168.99.100:8000 \
 -e CRAWLAB_SPIDER_PATH=/app/spiders \
 -p 8080:8080 \
 -p 8000:8000 \
 -v / var /logs/crawlab:/var/logs/crawlab \
 tikazyq/crawlab:0.3.0
 

当然也可以用docker-compose来一键启动,甚至不用配置 MongoDB 和Redis数据库,当然我们推荐这样做。在当前目录中创建docker-compose.yml文件,输入以下内容。

version: '3.3'
services:
 master: 
 image: tikazyq/crawlab:latest
 container_name: master
 environment:
 CRAWLAB_API_ADDRESS: "localhost:8000"
 CRAWLAB_SERVER_MASTER: "Y"
 CRAWLAB_MONGO_HOST: "mongo"
 CRAWLAB_REDIS_ADDRESS: "redis"
 ports: 
 - "8080:8080" # frontend
 - "8000:8000" # backend
 depends_on:
 - mongo
 - redis
 mongo:
 image: mongo:latest
  restart : always
 ports:
 - "27017:27017"
 redis:
 image: redis:latest
 restart: always
 ports:
 - "6379:6379"
 

然后执行以下命令,Crawlab主节点+MongoDB+Redis就启动了。打开就能看到界面。

docker-compose up
 

Docker部署的详情,请见相关文档。

直接部署

请参考相关文档。

截图

登录

首页

节点列表

节点拓扑图

爬虫列表

爬虫概览

爬虫分析

爬虫文件

任务详情 – 抓取结果

定时任务

架构

Crawlab的架构包括了一个主节点(Master Node)和多个工作节点(Worker Node),以及负责通信和数据储存的Redis和MongoDB数据库。

前端应用向主节点请求数据,主节点通过MongoDB和Redis来执行任务派发调度以及部署,工作节点收到任务之后,开始执行爬虫任务,并将任务结果储存到MongoDB。架构相对于v0.3.0之前的Celery版本有所精简,去除了不必要的节点监控模块Flower,节点监控主要由Redis完成。

主节点

主节点是整个Crawlab架构的核心,属于Crawlab的中控系统。

主节点主要负责以下功能:

  1. 爬虫任务调度
  2. 工作节点管理和通信
  3. 爬虫部署
  4. 前端以及API服务
  5. 执行任务(可以将主节点当成工作节点)

主节点负责与前端应用进行通信,并通过Redis将爬虫任务派发给工作节点。同时,主节点会同步(部署)爬虫给工作节点,通过Redis和MongoDB的GridFS。

工作节点

工作节点的主要功能是执行爬虫任务和储存抓取数据与日志,并且通过Redis的PubSub跟主节点通信。通过增加工作节点数量,Crawlab可以做到横向扩展,不同的爬虫任务可以分配到不同的节点上执行。

MongoDB

MongoDB是Crawlab的运行数据库,储存有节点、爬虫、任务、定时任务等数据,另外GridFS文件储存方式是主节点储存爬虫文件并同步到工作节点的中间媒介。

Redis

Redis是非常受欢迎的Key-Value数据库,在Crawlab中主要实现节点间数据通信的功能。例如,节点会将自己信息通过HSET储存在Redis的nodes哈希列表中,主节点根据哈希列表来判断在线节点。

前端

前端是一个基于Vue-Element-Admin的单页应用。其中重用了很多Element-UI的控件来支持相应的展示。

与其他框架的集成

爬虫任务本质上是由一个shell命令来实现的。任务ID将以环境变量CRAWLAB_TASK_ID的形式存在于爬虫任务运行的进程中,并以此来关联抓取数据。另外,CRAWLAB_COLLECTION是Crawlab传过来的所存放collection的名称。

在爬虫程序中,需要将CRAWLAB_TASK_ID的值以task_id作为可以存入数据库中CRAWLAB_COLLECTION的collection中。这样Crawlab就知道如何将爬虫任务与抓取数据关联起来了。当前,Crawlab只支持MongoDB。

集成Scrapy

以下是Crawlab跟Scrapy集成的例子,利用了Crawlab传过来的task_id和collection_name。

import os
from pymongo import MongoClient
MONGO_HOST = '192.168.99.100'
MONGO_PORT = 27017
MONGO_DB = 'crawlab_test'
# scrapy example in the pipeline
class JuejinPipeline(object):
 mongo = MongoClient(host=MONGO_HOST, port=MONGO_PORT)
 db = mongo[MONGO_DB]
 col_name = os.environ.get('CRAWLAB_COLLECTION')
 if not col_name:
 col_name = 'test'
 col = db[col_name]
 def process_item(self, item, spider):
 item['task_id'] = os.environ.get('CRAWLAB_TASK_ID')
 self.col.save(item)
 return item
 

与其他框架比较

现在已经有一些爬虫管理框架了,因此为啥还要用Crawlab?

因为很多现有当平台都依赖于Scrapyd,限制了爬虫的编程语言以及框架,爬虫工程师只能用scrapy和python。当然,scrapy是非常优秀的爬虫框架,但是它不能做一切事情。

Crawlab使用起来很方便,也很通用,可以适用于几乎任何主流语言和框架。它还有一个精美的前端界面,让用户可以方便的管理和运行爬虫。

框架类型分布式前端依赖于ScrapydCrawlab管理平台YYNScrapydWeb管理平台YYYSpiderKeeper管理平台YYYGerapy管理平台YYYScrapyd网络服务YNN/A

私信回复”Crawlab”获取链接地址,喜欢的点个关注,一起学习探讨新技术。

相关文章