distribute_crawler项目实战

安装scrapy

https://scrapy-chs.readthedocs.org/zh_CN/latest/intro/install.html

使用pip安装:

pip install Scrapy

Ubuntu 软件包

• 把Scrapy签名的GPG密钥添加到APT的钥匙环中:

sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv 627220E7

• 执行如下命令，创建 /etc/apt/sources.list.d/scrapy.list 文件:

echo 'deb http://archive.scrapy.org/ubuntu scrapy main' | sudo tee /etc/apt/sources.list.d/scrapy.list

• 更新包列表并安装 scrapy-0.25:

sudo apt-get update && sudo apt-get install scrapy-0.25

安装redispy

sudo easy_install redis  

安装pymongo

sudo pip install pymongo==2.7.2

安装graphite

http://blog.csdn.net/u011008734/article/details/47166469
注意之后 需要每次启动 carbon：

$ cd /opt/graphite/
$ sudo ./bin/carbon-cache.py start

(如何配置请查看：statscol/graphite.py)

配置

• 修改 /opt/graphite/webapp/content/js/composer_widgets.js,
  在 toggleAutoRefresh 函数中的'interval'的值由60改为1
• 添加 storage-aggregation.conf文件在'/opt/graphite/conf'目录下 :

[scrapy_min]
pattern = ^scrapy\..*_min$
xFilesFactor = 0.1
aggregationMethod = min

[scrapy_max]
pattern = ^scrapy\..*_max$
xFilesFactor = 0.1
aggregationMethod = max

[scrapy_sum]
pattern = ^scrapy\..*_count$
xFilesFactor = 0.1
aggregationMethod = sum

• in settings set:

#分布式 修改如下：
STATS_CLASS = 'scrapygraphite.RedisGraphiteStatsCollector'
                GRAPHITE_HOST = '127.0.0.1'
                GRAPHITE_PORT = 2003
#单机 修改如下：
STATS_CLASS = 'scrapygraphite.GraphiteStatsCollector'
                GRAPHITE_HOST = '127.0.0.1'
                GRAPHITE_PORT = 2003

安装mongodb

• 为软件包管理系统导入公钥。
  Ubuntu 软件包管理工具为了保证软件包的一致性和可靠性需要用 GPG 密钥检验软件包。使用下列命令导入 MongoDB 的 GPG 密钥 （ MongoDB public GPG Key http://docs.mongodb.org/10gen-gpg-key.asc）_：

sudo apt-key adv --keyserver hkp://keyserver.ubuntu.com:80 --recv 7F0CEB10

• 为MongoDB创建一个列表文件。
  使用下列命令创建 /etc/apt/sources.list.d/mongodb.list 列表文件：

echo 'deb http://downloads-distro.mongodb.org/repo/ubuntu-upstart dist 10gen' | sudo tee /etc/apt/sources.list.d/mongodb.list

• 重载本地软件包数据库：

sudo apt-get update

• 安装MongoDB最新的稳定版本

sudo apt-get install mongodb-org

• 使用下列命令启动 mongod 进程

sudo service mongod start

安装redis

wget http://download.redis.io/releases/redis-2.8.12.tar.gz
tar xzf redis-2.8.12.tar.gz
cd redis-2.8.12
make

启动并运行redis：

src/redis-server

可能需要安装的其他模块

IPy
zope.interface

pip install IPy
pip install zope.interface

修改项目

• 使用该分支https://github.com/aware-why/distribute_crawler

• 修改woaidu_detail_spider.py中 WoaiduSpider的父类
  参见https://scrapy-chs.readthedocs.org/zh_CN/latest/intro/tutorial.html#spider
  from scrapy.spider import BaseSpider BaseSpider类以过时，修改为import scrapy scrapy.spider.Spider

• 把distribute_crawler/woaidu_crawler/woaidu_crawler/pipelines/file.py的
  line 18:from scrapy.contrib.pipeline.images import MediaPipeline
  改成:from scrapy.contrib.pipeline.media import MediaPipeline

搭建mongodb集群

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

修改settings.py 中 ITEM_PIPELINES
参见https://scrapy-chs.readthedocs.org/zh_CN/latest/topics/item-pipeline.html#id4

ITEM_PIPELINES = {'woaidu_crawler.pipelines.cover_image.WoaiduCoverImage':300,
'woaidu_crawler.pipelines.mongodb_book_file.MongodbWoaiduBookFile':400,    'woaidu_crawler.pipelines.drop_none_download.DropNoneBookFile':500,
'woaidu_crawler.pipelines.mongodb.ShardMongodbPipeline':600,    'woaidu_crawler.pipelines.final_test.FinalTestPipeline':700,}

修改woaidu_crawler/pipelines/mongodb_book_file.py下130的
line 130:info = self.spiderinfo.spider为
info = self.spiderinfo

在含有log文件夹的目录下执行:需切换到root用户 sudo su

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

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':300,
          'woaidu_crawler.pipelines.bookfile.WoaiduBookFile':400,
          'woaidu_crawler.pipelines.drop_none_download.DropNoneBookFile':500,
          'woaidu_crawler.pipelines.mongodb.SingleMongodbPipeline':600,
          'woaidu_crawler.pipelines.final_test.FinalTestPipeline':700,]

在含有log文件夹的目录下执行:需切换到root用户 sudo su

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