Crawlab 使用 Golang 開發的分佈式爬蟲管理平臺

基於Golang的分佈式爬蟲管理平臺，支持Python、NodeJS、Go、Java、PHP等多種編程語言以及多種爬蟲框架。

安裝

三種方式:

1. Docker（推薦）
2. 直接部署（瞭解內核）

要求（Docker）

• Docker 18.03+
• Redis
• MongoDB 3.6+

要求（直接部署）

• Go 1.12+
• Node 8.12+
• Redis
• MongoDB 3.6+

運行

Docker

運行主節點示例。192.168.99.1是在Docker Machine網絡中的宿主機IP地址。192.168.99.100是Docker主節點的IP地址。

docker run -d --rm --name crawlab \\
 -e CRAWLAB_REDIS_ADDRESS=192.168.99.1 \\
 -e CRAWLAB_MONGO_HOST=192.168.99.1 \\
 -e CRAWLAB_SERVER_MASTER=Y \\ 

 -e CRAWLAB_API_ADDRESS=192.168.99.100:8000 \\
 -e CRAWLAB_SPIDER_PATH=/app/spiders \\
 -p 8080:8080 \\
 -p 8000:8000 \\
 -v /var/logs/crawlab:/var/logs/crawlab \\
 tikazyq/crawlab:0.3.0

當然也可以用docker-compose來一鍵啟動，甚至不用配置MongoDB和Redis數據庫，當然我們推薦這樣做。在當前目錄中創建docker-compose.yml文件，輸入以下內容。

version: '3.3'
services:
 master: 
 image: tikazyq/crawlab:latest
 container_name: master
 environment:
 CRAWLAB_API_ADDRESS: "localhost:8000"
 CRAWLAB_SERVER_MASTER: "Y"
 CRAWLAB_MONGO_HOST: "mongo"
 CRAWLAB_REDIS_ADDRESS: "redis"
 ports: 
 - "8080:8080" # frontend
 - "8000:8000" # backend
 depends_on:
 - mongo
 - redis
 mongo:
 image: mongo:latest
 restart: always
 ports:
 - "27017:27017"
 redis:
 image: redis:latest
 restart: always
 ports:
 - "6379:6379"

然後執行以下命令，Crawlab主節點＋MongoDB＋Redis就啟動了。打開http://localhost:8080就能看到界面。

docker-compose up

Docker部署的詳情，請見相關文檔。

直接部署

請參考相關文檔。

截圖

登錄

首頁

節點列表

節點拓撲圖

爬蟲列表

爬蟲概覽

爬蟲分析

爬蟲文件

任務詳情 - 抓取結果

定時任務

架構

Crawlab的架構包括了一個主節點（Master Node）和多個工作節點（Worker Node），以及負責通信和數據儲存的Redis和MongoDB數據庫。

前端應用向主節點請求數據，主節點通過MongoDB和Redis來執行任務派發調度以及部署，工作節點收到任務之後，開始執行爬蟲任務，並將任務結果儲存到MongoDB。架構相對於v0.3.0之前的Celery版本有所精簡，去除了不必要的節點監控模塊Flower，節點監控主要由Redis完成。

主節點

主節點是整個Crawlab架構的核心，屬於Crawlab的中控系統。

主節點主要負責以下功能:

1. 爬蟲任務調度
2. 工作節點管理和通信
3. 爬蟲部署
4. 前端以及API服務
5. 執行任務（可以將主節點當成工作節點）

主節點負責與前端應用進行通信，並通過Redis將爬蟲任務派發給工作節點。同時，主節點會同步（部署）爬蟲給工作節點，通過Redis和MongoDB的GridFS。

工作節點

工作節點的主要功能是執行爬蟲任務和儲存抓取數據與日誌，並且通過Redis的PubSub跟主節點通信。通過增加工作節點數量，Crawlab可以做到橫向擴展，不同的爬蟲任務可以分配到不同的節點上執行。

MongoDB

MongoDB是Crawlab的運行數據庫，儲存有節點、爬蟲、任務、定時任務等數據，另外GridFS文件儲存方式是主節點儲存爬蟲文件並同步到工作節點的中間媒介。

Redis

Redis是非常受歡迎的Key-Value數據庫，在Crawlab中主要實現節點間數據通信的功能。例如，節點會將自己信息通過HSET儲存在Redis的nodes哈希列表中，主節點根據哈希列表來判斷在線節點。

前端

前端是一個基於Vue-Element-Admin的單頁應用。其中重用了很多Element-UI的控件來支持相應的展示。

與其他框架的集成

爬蟲任務本質上是由一個shell命令來實現的。任務ID將以環境變量CRAWLAB_TASK_ID的形式存在於爬蟲任務運行的進程中，並以此來關聯抓取數據。另外，CRAWLAB_COLLECTION是Crawlab傳過來的所存放collection的名稱。

在爬蟲程序中，需要將CRAWLAB_TASK_ID的值以task_id作為可以存入數據庫中CRAWLAB_COLLECTION的collection中。這樣Crawlab就知道如何將爬蟲任務與抓取數據關聯起來了。當前，Crawlab只支持MongoDB。

集成Scrapy

以下是Crawlab跟Scrapy集成的例子，利用了Crawlab傳過來的task_id和collection_name。

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

與其他框架比較

現在已經有一些爬蟲管理框架了，因此為啥還要用Crawlab？

因為很多現有當平臺都依賴於Scrapyd，限制了爬蟲的編程語言以及框架，爬蟲工程師只能用scrapy和python。當然，scrapy是非常優秀的爬蟲框架，但是它不能做一切事情。

Crawlab使用起來很方便，也很通用，可以適用於幾乎任何主流語言和框架。它還有一個精美的前端界面，讓用戶可以方便的管理和運行爬蟲。

框架類型分佈式前端依賴於ScrapydCrawlab管理平臺YYNScrapydWeb管理平臺YYYSpiderKeeper管理平臺YYYGerapy管理平臺YYYScrapyd網絡服務YNN/A

私信回覆"Crawlab"獲取鏈接地址，喜歡的點個關注，一起學習探討新技術。