ScrapydWeb：爬虫管理平台的使用
导读
ScrapydWeb 开源框架是部署 Scrapy 爬虫项目的一大利器。
一、简介
Scrapy 开源框架是 Python 开发爬虫项目的一大利器，而 Scrapy 项目通常都是使用 Scrapyd 工具来部署，Scrapyd 是一个运行 Scrapy 爬虫的服务程序，提供了一系列 HTTP 接口来帮助我们部署、启动、停止、删除爬虫程序。但是它 WebUI 界面i比较简单，无法提供很好的可视化体验。
ScrapydWeb 是以 Scrapyd 为基础，同时集成了 HTTP 基本认证（Basic Authentication）；在页面上可以直观地查看所有云主机的运行状态；能够自由选择部分云主机，批量部署和运行爬虫项目，实现集群管理；自动执行日志分析，以及爬虫进度可视化；出现特定类型的异常日志时能够及时通知用户并做出相应动作，包括自动停止当前爬虫任务。
二、安装和配置
1、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。
2、开发主机或任一台主机安装 ScrapydWeb。
pip install scrapydweb运行命令
scrapydweb -h3、将在当前工作目录生成配置文件 scrapydweb_settings.py，可用于下文的自定义配置。
4、启用 HTTP 基本认证：
ENABLE_AUTH =True
USERNAME = 'username'
PASSWORD = 'password'5、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'),
]6、通过运行命令启动 ScrapydWeb。
scrapydweb三、访问 Web UI
通过浏览器访问 http://127.0.0.1:5000，输入认证信息登录。
Overview 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，调用 Scrapyd 提供的所有 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。
四、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。
五、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。
六、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。
七、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
八、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]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。
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。
九、使用总结
1.业务需求
Scrapydweb 已基本满足了公司绝大多部分的爬虫部署监控需求，如果超出 Scrapydweb 的功能范围需另行深度定制。
2.上手难度
Scrapydweb 安装、配置以及运行简单，可配置性高，适合公司的业务简单的业务需求。上手难度不大。