分布式爬虫的部署之Scrapyd对接Docker

我们使用了Scrapyd-Client成功将Scrapy项目部署到Scrapyd运行，前提是需要提前在服务器上安装好Scrapyd并运行Scrapyd服务，而这个过程比较麻烦。如果同时将一个Scrapy项目部署到100台服务器上，我们需要手动配置每台服务器的Python环境，更改Scrapyd配置吗？如果这些服务器的Python环境是不同版本，同时还运行其他的项目，而版本冲突又会造成不必要的麻烦。

所以，我们需要解决一个痛点，那就是Python环境配置问题和版本冲突解决问题。如果我们将Scrapyd直接打包成一个Docker镜像，那么在服务器上只需要执行Docker命令就可以启动Scrapyd服务，这样就不用再关心Python环境问题，也不需要担心版本冲突问题。

接下来，我们就将Scrapyd打包制作成一个Docker镜像。

一、准备工作

请确保本机已经正确安装好了Docker。

二、对接Docker

新建一个项目，新建一个scrapyd.conf，即Scrapyd的配置文件，内容如下：

[scrapyd]
eggs_dir    = eggs
logs_dir    = logs
items_dir   =
jobs_to_keep = 5
dbs_dir     = dbs
max_proc    = 0
max_proc_per_cpu = 10
finished_to_keep = 100
poll_interval = 5.0
bind_address = 0.0.0.0
http_port   = 6800
debug       = off
runner      = scrapyd.runner
application = scrapyd.app.application
launcher    = scrapyd.launcher.Launcher
webroot     = scrapyd.website.Root

[services]
schedule.json     = scrapyd.webservice.Schedule
cancel.json       = scrapyd.webservice.Cancel
addversion.json   = scrapyd.webservice.AddVersion
listprojects.json = scrapyd.webservice.ListProjects
listversions.json = scrapyd.webservice.ListVersions
listspiders.json  = scrapyd.webservice.ListSpiders
delproject.json   = scrapyd.webservice.DeleteProject
delversion.json   = scrapyd.webservice.DeleteVersion
listjobs.json     = scrapyd.webservice.ListJobs
daemonstatus.json = scrapyd.webservice.DaemonStatus

这里实际上是修改自官方文档的配置文件：https://scrapyd.readthedocs.io/en/stable/config.html#example-configuration-file，其中修改的地方有两个。

• max_proc_per_cpu=10，原本是4，即CPU单核最多运行4个Scrapy任务，也就是说1核的主机最多同时只能运行4个Scrapy任务，这里设置上限为10，也可以自行设置。
• bind_address = 0.0.0.0，原本是127.0.0.1，不能公开访问，这里修改为0.0.0.0即可解除此限制。

新建一个requirements.txt，将一些Scrapy项目常用的库都列进去，内容如下：

requests
selenium
aiohttp
beautifulsoup4
pyquery
pymysql
redis
pymongo
flask
django
scrapy
scrapyd
scrapyd-client
scrapy-redis
scrapy-splash

如果运行的Scrapy项目还需要用到其他的库，这些库可以自行添加到此文件中。

最后新建一个Dockerfile，内容如下：

FROM python:3.6
ADD . /code
WORKDIR /code
COPY ./scrapyd.conf /etc/scrapyd/
EXPOSE 6800
RUN pip3 install -r requirements.txt
CMD scrapyd

第一行的FROM是指在python:3.6这个镜像上构建，也就是说在构建时就已经有了Python 3.6的环境。

第二行的ADD是将本地的代码放置到虚拟容器中。它有两个参数：第一个参数是. ，即代表本地当前路径；第二个参数/code代表虚拟容器中的路径，也就是将本地项目所有内容放置到虚拟容器的/code目录下。

第三行的WORKDIR是指定工作目录，这里将刚才添加的代码路径设成工作路径，这个路径下的目录结构和当前本地目录结构是相同的，所以在这个目录下可以直接执行库安装命令。

第四行的COPY是将当前目录下的scrapyd.conf文件复制到虚拟容器的/etc/scrapyd/目录下，Scrapyd在运行的时候会默认读取这个配置。

第五行的EXPOSE是声明运行时容器提供服务端口，注意这里只是一个声明，运行时不一定会在此端口开启服务。这个声明的作用，一是告诉使用者这个镜像服务的运行端口，以方便配置映射，二是在运行使用随机端口映射时，容器会自动随机映射EXPOSE的端口。

第六行的RUN是执行某些命令，一般做一些环境准备工作。由于Docker虚拟容器内只有Python 3环境，而没有Python库，所以我们运行此命令来在虚拟容器中安装相应的Python库，这样项目部署到Scrapyd中便可以正常运行。

第七行的CMD是容器启动命令，容器运行时，此命令会被执行。这里我们直接用scrapyd来启动Scrapyd服务。

基本工作完成了，我们运行如下命令进行构建：

docker build -t scrapyd:latest .

构建成功后即可运行测试：

docker run -d -p 6800:6800 scrapyd

打开：http://localhost:6800，即可观察到Scrapyd服务，如下图所示。

这样，Scrapyd Docker镜像构建完成并成功运行。

我们可以将此镜像上传到Docker Hub。例如，我的Docker Hub用户名为germey，新建一个名为scrapyd的项目，首先可以为镜像打一个标签来标识一下：

docker tag scrapyd:latest germey/scrapyd:latest

这里请自行替换成你的项目名称。

然后 Push 即可：

docker push germey/scrapyd:latest

之后在其他主机运行此命令即可启动Scrapyd服务：

docker run -d -p 6800:6800 germey/scrapyd

Scrapyd成功在其他服务器上运行。

三、结语

我们利用Docker解决了Python环境的问题。接下来，我们再解决批量部署Docker的问题。