如何免费创建云端爬虫集群

在线体验

scrapydweb.herokuapp.com

网络拓扑图

注册帐号

1. Heroku

访问 heroku.com 注册免费账号（注册页面需要调用 google recaptcha 人机验证，登录页面也需要科学地进行上网，访问 app 运行页面则没有该问题），免费账号最多可以创建和运行5个 app。

1. Redis Labs（可选）

访问 redislabs.com 注册免费账号，提供30MB 存储空间，用于下文通过 scrapy-redis 实现分布式爬虫。

通过浏览器部署 Heroku app

1. 访问 my8100/scrapyd-cluster-on-heroku-scrapyd-app 一键部署 Scrapyd app。（注意更新页面表单中 Redis 服务器的主机，端口和密码）
2. 重复第1步完成4个 Scrapyd app 的部署，假设应用名称为 svr-1, svr-2, svr-3 和 svr-4
3. 访问 my8100/scrapyd-cluster-on-heroku-scrapydweb-app 一键部署 ScrapydWeb app，取名 myscrapydweb
4. （可选）点击 dashboard.heroku.com/apps/myscrapydweb/settings 页面中的 Reveal Config Vars 按钮相应添加更多 Scrapyd server，例如 KEY 为 SCRAPYD_SERVER_2, VALUE 为 svr-2.herokuapp.com:80#group2
5. 访问 myscrapydweb.herokuapp.com
6. 跳转 部署和运行分布式爬虫 章节继续阅读。

自定义部署

<details>
<summary>查看内容</summary>

安装工具

1. Git
2. Heroku CLI
3. Python client for Redis：运行 pip install redis 命令即可。

下载配置文件

新开一个命令行提示符：

git clone https://github.com/my8100/scrapyd-cluster-on-heroku
cd scrapyd-cluster-on-heroku

登录 Heroku

heroku login
# outputs:
# heroku: Press any key to open up the browser to login or q to exit:
# Opening browser to https://cli-auth.heroku.com/auth/browser/12345-abcde
# Logging in... done
# Logged in as [email protected]

创建 Scrapyd 集群

1. 新建 Git 仓库

cd scrapyd
git init
# explore and update the files if needed
git status
git add .
git commit -a -m "first commit"
git status

1. 部署 Scrapyd app

heroku apps:create svr-1
heroku git:remote -a svr-1
git remote -v
git push heroku master
heroku logs --tail
# Press ctrl+c to stop logs outputting
# Visit https://svr-1.herokuapp.com

1. 添加环境变量

   • 设置时区

   # python -c "import tzlocal; print(tzlocal.get_localzone())"
   heroku config:set TZ=Asia/Shanghai
   # heroku config:get TZ

   • 添加 Redis 账号（可选，详见 scrapy_redis_demo_project.zip 中的 settings.py）

   heroku config:set REDIS_HOST=your-redis-host
   heroku config:set REDIS_PORT=your-redis-port
   heroku config:set REDIS_PASSWORD=your-redis-password

2. 重复上述第2步和第3步完成余下三个 Scrapyd app 的部署和配置：svr-2，svr-3 和 svr-4

创建 ScrapydWeb app

1. 新建 Git 仓库

cd ..
cd scrapydweb
git init
# explore and update the files if needed
git status
git add .
git commit -a -m "first commit"
git status

1. 部署 ScrapydWeb app

heroku apps:create myscrapydweb
heroku git:remote -a myscrapydweb
git remote -v
git push heroku master

1. 添加环境变量

   • 设置时区

   heroku config:set TZ=Asia/Shanghai

   • 添加 Scrapyd server（详见 scrapydweb 目录下的 scrapydweb_settings_v8.py）

   heroku config:set SCRAPYD_SERVER_1=svr-1.herokuapp.com:80
   heroku config:set SCRAPYD_SERVER_2=svr-2.herokuapp.com:80#group1
   heroku config:set SCRAPYD_SERVER_3=svr-3.herokuapp.com:80#group1
   heroku config:set SCRAPYD_SERVER_4=svr-4.herokuapp.com:80#group2

2. 访问 myscrapydweb.herokuapp.com

</details>

部署和运行分布式爬虫

1. 上传 demo 项目，即 scrapyd-cluster-on-heroku 目录下的压缩文档 scrapy_redis_demo_project.zip
2. 将种子请求推入 mycrawler:start_urls 触发爬虫并查看结果

In [1]: import redis  # pip install redis

In [2]: r = redis.Redis(host='your-redis-host', port=your-redis-port, password='your-redis-password')

In [3]: r.delete('mycrawler_redis:requests', 'mycrawler_redis:dupefilter', 'mycrawler_redis:items')
Out[3]: 0

In [4]: r.lpush('mycrawler:start_urls', 'http://books.toscrape.com', 'http://quotes.toscrape.com')
Out[4]: 2

# wait for a minute
In [5]: r.lrange('mycrawler_redis:items', 0, 1)
Out[5]:
[b'{"url": "http://quotes.toscrape.com/", "title": "Quotes to Scrape", "hostname": "d6cf94d5-324e-4def-a1ab-e7ee2aaca45a", "crawled": "2019-04-02 03:42:37", "spider": "mycrawler_redis"}',
 b'{"url": "http://books.toscrape.com/index.html", "title": "All products | Books to Scrape - Sandbox", "hostname": "d6cf94d5-324e-4def-a1ab-e7ee2aaca45a", "crawled": "2019-04-02 03:42:37", "spider": "mycrawler_redis"}']

总结

• 优点

  • 免费
  • 可以爬 Google 等外网
  • 可扩展（借助于 ScrapydWeb）

• 缺点

  • 注册和登录需要科学地进行上网
  • Heroku app 每天至少自动重启一次并且重置所有文件，因此需要外接数据库保存数据，详见 devcenter.heroku.com

GitHub 开源

my8100/scrapyd-cluster-on-heroku