大家好，又见面了，我是你们的朋友全栈君。

scrapy爬虫部部署服务器

时间：2020年5月27日18:28:30

作者：钟健

记录：scrapy爬虫

关键字：scrapy scrapyd scrapydweb

一、scrapy爬虫部署服务器

scrapy通过命令行运行一般只用于测试环境，而用于运用在生产环境则一般都部署在服务器中进行远程操作。

scrapy部署服务器有一套完整的开源项目：scrapy+scrapyd(服务端)+scrapy-client(客户端)+scrapydweb

1、scrapyd

1.介绍

Scrapyd是用于部署和运行Scrapy爬虫的应用程序。它使您可以使用JSON API部署（上传）项目并控制其爬虫。

是目前分布式爬虫的最好解决方法之一

官方文档 https://scrapyd.readthedocs.io/

2.安装

pip install scrapyd

安装过程中可能会遇到大量的错误，大部分都是所依赖的包没有安装，安装过程中要确保scrapy已经安装成功，只要耐心的将所有缺少的依赖包安装上就可以了

• 打开命令行，输入scrapyd，如下图：
  

• 浏览器访问：http://127.0.0.1:6800/

2、scrapy-client

1.介绍：

scrapy-client它允许我们将本地的scrapy项目打包发送到scrapyd 这个服务端（前提是服务器scrapyd正常运行）

官方文档https://pypi.org/project/scrapyd-client/

2.安装

pip install scrapy-client

和上面的scrapyd一样，可能会遇到各种错误，耐心一点，大部分都是安装依赖

3、scrapydweb（可选）

1.介绍

ScrapydWeb：用于Scrapyd集群管理的Web应用程序，支持Scrapy日志分析和可视化。

官方文档：https://pypi.org/project/scrapydweb/

2.安装

pip install scrapyd

在保持scrapyd挂起的情况下运行命令scrapydweb，也就是需要打开两个doc窗口

运行命令scrapydweb，首次启动将会在当前目录下生成配置文件“scrapydweb_settings_v*.py”

• 更改配置文件
  编辑配置文件，将ENABLE_LOGPARSER更改为False

• 添加访问权限

  SCRAPYD_SERVERS = [
      '127.0.0.1:6800',
      # 'username:password@localhost:6801#group',
      ('username', 'password', 'localhost', '6801', 'group'),
  ]
  

• HTTP基本认证

  ENABLE_AUTH = True
  USERNAME = 'username'
  PASSWORD = 'password'　
  

浏览器访问：http://127.0.0.1:5000/1/servers/

二、实际操作（一切的操作都在scrapyd启动的情况下）

1.上传爬虫

编辑scrapy.cfg,url是scrapyd服务器的位置，由于scrapyd在本地，所以是localhost。

注意：我们要切换到和scrapy.cfg同级目录下，继续以下操作

scrapyd-deploy

上图表示运行成功！

以上的文件夹是成功后自动创建的（为什么之前的截图有，我之前已经测试过）

然后输入以下命令上传服务器

scrapyd-deploy demo -p qcjob

结构：scrapyd-deploy -p （scrapyd-deploy <目标> -p <项目>）

运行成功的图片

2.启动爬虫

cmd输入（爬取一天内关于java的职业需求）

curl http://localhost:6800/schedule.json -d project=qcjob -d spider=job -d key = java time=0

我编写的爬虫可以根据用户输入的参数来爬取数据

key=表示关键字（默认是全部）

time=表示时间（0=24小时，1=3天内，2=一周内，3=一个月内，默认为0）

当然scrapyd强大之处在于可以用http方式控制爬虫

http://localhost:6800/schedule.json?project=qcjob&spider=job&key=java&time=0  #POST

以下是用postmain进行模拟post请求。

然后进入http://127.0.0.1:6800/

点击job，就可以查看爬虫是否运行，和运行时间

从图可以看出，这个爬虫运行了9分31秒。

当然我们也可以从scrapydweb中查看和管理爬虫浏览器访问：http://127.0.0.1:5000/1/servers/

我们可以通过可视化界面来控制爬虫运行，scrapyd可以启动多个不同的爬虫，一个爬虫的多个版本启动。是目前分布式爬虫的最好解决方法！！！

三、数据展示

本次爬取花费9分31秒，共爬去25,000余条数据，爬虫速度开至每秒8次访问，以他该服务器的最大访问量

其中部分数据存在有误，为了保证速度，没有进行过多的筛取和排查，错误率保持较低水平

四、问题与思考

• 通过爬去可以看得出，如果采用单一的爬虫的话，爬取速度还是比较慢的，如果采用多个爬虫，分布式爬取的话，就存在数据是否重复以及数据的共用问题。
• 如果采用分布式爬虫的话，就涉及到ip代理，因为一台机器如果大量访问的话经过测试会导致浏览器访问，该网页都无法打开，如果设置IP代理，就需要大量的代理IP
• 虽然爬虫已经部署在服务器上，但是还是无法做到，通过用户输入关键字时间等地址等多个参数进行爬取数据，无法做到实时展示，只能先运行爬虫，爬取大量数据储存与数据库，然后才能进行分析，做出图表。
• 关于数据的统计与展示，单一的sql语句，很难满足其对大量数据的分析，可能需要用Python的数据分析库，对数据进行处理，然后才能展示。

五、收获

已经可以通过http请求的方式来控制爬虫的启动停止，以及传递参数，就等于scrapy爬虫是可以集成于web应用里面的。