我的京东价格监控网站需要不间断爬取京东商品页面,爬虫模块我采用了Scrapy+selenium+Headless Chrome的方式进行商品信息的采集。
由于最近爬虫用的服务器到期,需要换到新服务器重新部署,所以干脆把整个模块封装入Docker,以便后续能够方便快速的进行爬虫的部署。同时,由于我的Scrapy整合了redis,能够支持分布式爬取,Docker化后也更方便进行分布式的拓展。
Scrapy内置的crawler不支持页面渲染的方式进行页面渲染,需要使用scrapy-splash或者selenium作为中间件,才能够支持页面渲染爬取。我在代码中整合了selenium,并在系统中安装了chrome,这在docker中,需要在打包时将chrome安装至镜像中。
Dockerfile文件中,将chrome下载并安装至镜像,并且将chromedriver放入系统,保证selenium代码能够调用到chrome。
我参考了开源库:https://github.com/joyzoursky/docker-python-chromedriver
最后完成的Dockerfile文件:
FROM python:3.6
# install google chrome
RUN wget -q -O - https://dl.google.com/linux/linux_signing_key.pub | apt-key add -
RUN sh -c 'echo "deb [arch=amd64] http://dl.google.com/linux/chrome/deb/ stable main" >> /etc/apt/sources.list.d/google-chrome.list'
RUN apt-get -y update
RUN apt-get install -y google-chrome-stable
# install chromedriver
RUN apt-get install -yqq unzip
RUN wget -O /tmp/chromedriver.zip http://chromedriver.storage.googleapis.com/`curl -sS chromedriver.storage.googleapis.com/LATEST_RELEASE`/chromedriver_linux64.zip
RUN unzip /tmp/chromedriver.zip chromedriver -d /usr/local/bin/
# set display port to avoid crash
ENV DISPLAY=:99
# copy pm_scrapy
WORKDIR /usr/src/app
COPY . .
# install requirements
RUN pip install -r requirements.txt
CMD scrapy crawl JDcate
写完Docker文件,在打包前,最好还要加上.dockerignore避免吧没用的文件打包进镜像。
我打包的代码结构图如下:
使用命令,生成镜像:
sudo docker image build -t pm_scrapy .
REPOSITORY TAG IMAGE ID CREATED SIZE
pm_scrapy latest 082e7e350831 47 hours ago 1.41 GB
proxy_pool latest 83a95913162b 6 days ago 1.01 GB
python 3.6 749d36d00e00 10 days ago 921 MB
redis latest 5d2989ac9711 10 days ago 95 MB
1.41G,大的吓人。
镜像打包好之后,别急着运行,因为新服务器上,Redis还没有呢。
原则上来说,你可以使用docker-compose,把redis和爬虫代码两个镜像同时运行起来。
我这里,我将redis开启单独的镜像,一是为了方便其它模块使用redis,二是方便以后开更多的scrapy进行分布式爬取。
使用官方的redis镜像开启redis容器,并将redis端口映射到宿主机6379:
docker run -p 6379:6379 -d redis --requirepass "密码"
官方的redis设置中默认就是0.0.0.0,不用担心宿主机无法访问。
接下来可以运行爬虫容器,需要注意的是,连接两个容器,需要使用link。
首先找到redis容器的ID,或者你给他自定义的名字
接着运行并连接容器:
sudo docker container run -itd --link 00c2655515fb:redis pm_scrapy
这个异常的原因是redis在一个特殊的网络里,你需要用:
docker inspect [需要link的容器名称或ID]
来查看redis容器所在的网段。
同时还可以看看
docker network ls
之后你就需要类似这样的语句(多指定–net来定下容器所在网络):
docker run -d --name movie_project -p 9090:80 --link 容器名:别名 --net link_continer_network -v /root/project/movie_project:/app:Z python2/nginx/flask
参考:
https://blog.csdn.net/hanchaobiao/article/details/81911587 https://www.jianshu.com/p/21d66ca6115e
一切就绪,发现爬虫没法运行,使用docker logs 容器ID
查看log。发现问题
这个问题参考下面的网址,这里直接给出解决方案,在你的代码里加一行参数:
chrome_options.add_argument('--disable-dev-shm-usage')
这是我的代码截图:
参考:
平日里可以使用docker exec -it 21323a52d19f /bin/bash
进入正在运行容器的bash,查看下爬虫状态