mirror of
https://github.com/crawlab-team/crawlab.git
synced 2026-01-22 17:31:03 +01:00
168 lines
5.0 KiB
Markdown
168 lines
5.0 KiB
Markdown
# Crawlab
|
||
基于Celery的爬虫分布式爬虫管理平台，支持多种编程语言以及多种爬虫框架.
|
||
|
||
[查看演示 Demo](http://139.129.230.98:8080)
|
||
|
||
[English Documentation](https://github.com/tikazyq/crawlab/blob/master/README.md)
|
||
|
||
## 要求
|
||
- Python3
|
||
- MongoDB
|
||
- Redis
|
||
|
||
## 安装
|
||
|
||
```bash
|
||
# 安装后台类库
|
||
pip install -r requirements.txt
|
||
```
|
||
|
||
```bash
|
||
# 安装前台类库
|
||
cd frontend
|
||
npm install
|
||
```
|
||
|
||
## 配置
|
||
|
||
请更改配置文件`config.py`，配置API和数据库连接.
|
||
|
||
## 快速开始
|
||
```bash
|
||
# 启动后端API
|
||
python app.py
|
||
|
||
# 启动Flower服务
|
||
python ./bin/run_flower.py
|
||
|
||
# 启动worker
|
||
python ./bin/run_worker.py
|
||
```
|
||
|
||
```bash
|
||
# 运行前端
|
||
cd frontend
|
||
npm run serve
|
||
```
|
||
|
||
## 截图
|
||
|
||
#### 首页
|
||
|
||
|
||
#### 爬虫列表
|
||
|
||
|
||
|
||
#### 爬虫详情 - 概览
|
||
|
||
|
||
|
||
#### 任务详情 - 抓取结果
|
||
|
||
|
||
|
||
## 架构
|
||
|
||
Crawlab的架构跟Celery非常相似，但是加入了包括前端、爬虫、Flower在内的额外模块，以支持爬虫管理的功能。
|
||
|
||
|
||
|
||
### 节点
|
||
|
||
节点其实就是Celery中的Worker。一个节点运行时会连接到一个任务队列（例如Redis）来接收和运行任务。所有爬虫需要在运行时被部署到节点上，用户在部署前需要定义节点的IP地址和端口。
|
||
|
||
### 爬虫
|
||
|
||
##### 自动发现
|
||
|
||
在`config.py`文件中，修改变量`PROJECT_SOURCE_FILE_FOLDER`作为爬虫项目所在的目录。Crawlab后台程序会自动发现这些爬虫项目并储存到数据库中。是不是很方便？
|
||
|
||
##### 部署爬虫
|
||
|
||
所有爬虫需要在抓取前被部署当相应当节点中。在"爬虫详情"页面点击"Deploy"按钮，爬虫将被部署到所有有效到节点中。
|
||
|
||
##### 运行爬虫
|
||
|
||
部署爬虫之后，你可以在"爬虫详情"页面点击"Run"按钮来启动爬虫。一个爬虫任务将被触发，你可以在任务列表页面中看到这个任务。
|
||
|
||
### 任务
|
||
|
||
任务被触发并被节点执行。用户可以在任务详情页面中看到任务到状态、日志和抓取结果。
|
||
|
||
### 后台应用
|
||
|
||
这是一个Flask应用，提供了必要的API来支持常规操作，例如CRUD、爬虫部署以及任务运行。每一个节点需要启动Flask应用来支持爬虫部署。运行`python manage.py app`或`python ./bin/run_app.py`来启动应用。
|
||
|
||
### 中间者
|
||
|
||
中间者跟Celery中定义的一样，作为运行异步任务的队列。
|
||
|
||
### 前端
|
||
|
||
前端其实就是一个基于[Vue-Element-Admin](https://github.com/PanJiaChen/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
|
||
|
||
任务是利用python的`subprocess`模块中的`Popen`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。
|
||
|
||
在你的爬虫程序中，你需要将`CRAWLAB_TASK_ID`的值以`task_id`作为可以存入数据库中。这样Crawlab就直到如何将爬虫任务与抓取数据关联起来了。当前，Crawlab只支持MongoDB。
|
||
|
||
### 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。
|
||
|
||
```python
|
||
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
|
||
|
||
限制以及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Scrapyd |
|
||
|:---:|:---:|:---:|:---:|:---:|
|
||
| [Crawlab](https://github.com/tikazyq/crawlab) | 管理平台 | Y | Y | N
|
||
| [Gerapy](https://github.com/Gerapy/Gerapy) | 管理平台 | Y | Y | Y
|
||
| [SpiderKeeper](https://github.com/DormyMo/SpiderKeeper) | 管理平台 | Y | Y | Y
|
||
| [ScrapydWeb](https://github.com/my8100/scrapydweb) | 管理平台 | Y | Y | Y
|
||
| [Scrapyd](https://github.com/scrapy/scrapyd) | 网络服务 | Y | N | N/A
|
||
|
||
## TODOs
|
||
##### 后端
|
||
- [ ] 文件管理
|
||
- [ ] MySQL数据库支持
|
||
- [ ] 重跑任务
|
||
- [ ] 节点监控
|
||
- [ ] 更多爬虫例子
|
||
|
||
##### 前端
|
||
- [ ] 任务数据统计
|
||
- [ ] 表格过滤
|
||
- [x] 多语言支持 (中文)
|
||
- [ ] 登录和用户管理
|
||
- [ ] 全局搜索
|