distribute_crawler

使用scrapy,redis, mongodb,graphite实现的一个分布式网络爬虫,底层存储mongodb集群,分布式使用redis实现,爬虫状态显示使用graphite实现.

这个工程是我对垂直搜索引擎中分布式网络爬虫的探索实现，它包含一个针对http://www.woaidu.org/ 网站的spider， 将其网站的书名，作者，书籍封面图片，书籍概要，原始网址链接，书籍下载信息和书籍爬取到本地：

• 分布式使用redis实现，redis中存储了工程的request，stats信息，能够对各个机器上的爬虫实现集中管理，这样可以 解决爬虫的性能瓶颈，利用redis的高效和易于扩展能够轻松实现高效率下载：当redis存储或者访问速度遇到瓶颈时，可以 通过增大redis集群数和爬虫集群数量改善。
• 底层存储实现了两种方式：
  • 将书名，作者，书籍封面图片文件系统路径，书籍概要，原始网址链接，书籍下载信息，书籍文件系统路径保存到mongodb 中，此时mongodb使用单个服务器,对图片采用图片的url的hash值作为文件名进行存储，同时可以定制生成各种大小尺寸的缩略 图，对文件动态获得文件名，将其下载到本地，存储方式和图片类似，这样在每次下载之前会检查图片和文件是否曾经下载，对 已经下载的不再下载；
  • 将书名，作者，书籍封面图片文件系统路径，书籍概要，原始网址链接，书籍下载信息，书籍保存到mongodb中，此时mongodb 采用mongodb集群进行存储，片键和索引的选择请看代码，文件采用mongodb的gridfs存储,图片仍然存储在文件系统中,在每次下载 之前会检查图片和文件是否曾经下载，对已经下载的不再下载；
• 避免爬虫被禁的策略：
  • 禁用cookie
  • 实现了一个download middleware，不停的变user-aget
  • 实现了一个可以访问google cache中的数据的download middleware(默认禁用)
• 调试策略的实现：
  • 将系统log信息写到文件中
  • 对重要的log信息(eg:drop item,success)采用彩色样式终端打印
• 文件，信息存储：
  • 实现了FilePipeline可以将指定扩展名的文件下载到本地
  • 实现了MongodbWoaiduBookFile可以将文件以gridfs形式存储在mongodb集群中
  • 实现了SingleMongodbPipeline和ShardMongodbPipeline，用来将采集的信息分别以单服务器和集群方式保存到mongodb中
• 访问速度动态控制:
  • 跟据网络延迟，分析出scrapy服务器和网站的响应速度，动态改变网站下载延迟
  • 配置最大并行requests个数，每个域名最大并行请求个数和并行处理items个数
• 爬虫状态查看：
  • 将爬虫stats信息(请求个数，文件下载个数，图片下载个数等)保存到redis中
  • 实现了一个针对分布式的stats collector，并将其结果用graphite以图表形式动态实时显示
• mongodb集群部署：在commands目录下有init_sharding_mongodb.py文件，可以方便在本地部署

需要的其他的库

• scrapy(最好是最新版)
• graphite(针对他的配置可以参考：statscol/graphite.py)
• redis
• mongodb

可重用的组件

• 终端彩色样式显示(utils/color.py)
• 在本地建立一个mongodb集群(commands/init_sharding_mongodb.py),使用方法:

   sudo python init_sharding_mongodb.py --path=/usr/bin

• 单机graphite状态收集器(statscol.graphite.GraphiteStatsCollector)
• 基于redis分布式的graphite状态收集器(statscol.graphite.RedisGraphiteStatsCollector)
• scrapy分布式处理方案(scrapy_redis)
• rotate user-agent download middleware(contrib.downloadmiddleware.rotate_useragent.RotateUserAgentMiddleware)
• 访问google cache的download middleware(contrib.downloadmiddleware.google_cache.GoogleCacheMiddleware)
• 下载指定文件类型的文件并实现避免重复下载的pipeline(pipelines.file.FilePipeline)
• 下载制定文件类型的文件并提供mongodb gridfs存储的pipeline(pipelines.file.MongodbWoaiduBookFile)
• item mongodb存储的pipeline(pipelines.mongodb.SingleMongodbPipeline and ShardMongodbPipeline)

使用方法

#mongodb集群存储

• 安装scrapy
• 安装redispy
• 安装pymongo
• 安装graphite(如何配置请查看：statscol/graphite.py)
• 安装mongodb
• 安装redis
• 下载本工程
• 启动redis server
• 搭建mongodb集群

      cd woaidu_crawler/commands/
      sudo python init_sharding_mongodb.py --path=/usr/bin

• 在含有log文件夹的目录下执行:

      scrapy crawl woaidu

• 打开http://127.0.0.1/ 通过图表查看spider实时状态信息
• 要想尝试分布式，可以在另外一个目录运行此工程

#mongodb

• 安装scrapy
• 安装redispy
• 安装pymongo
• 安装graphite(如何配置请查看：statscol/graphite.py)
• 安装mongodb
• 安装redis
• 下载本工程
• 启动redis server
• 搭建mongodb服务器

      cd woaidu_crawler/commands/
      python init_single_mongodb.py 

• 设置settings.py：

      ITEM_PIPELINES = ['woaidu_crawler.pipelines.cover_image.WoaiduCoverImage',
          'woaidu_crawler.pipelines.bookfile.WoaiduBookFile',
          'woaidu_crawler.pipelines.drop_none_download.DropNoneBookFile',
          'woaidu_crawler.pipelines.mongodb.SingleMongodbPipeline',
          'woaidu_crawler.pipelines.final_test.FinalTestPipeline',]

• 在含有log文件夹的目录下执行:

      scrapy crawl woaidu

• 打开http://127.0.0.1/ (也就是你运行的graphite-web的url) 通过图表查看spider实时状态信息
• 要想尝试分布式，可以在另外一个目录运行此工程

注意

每次运行完之后都要执行commands/clear_stats.py文件来清除redis中的stats信息

     python clear_stats.py 

from https://github.com/gnemoug/distribute_crawler