如何免费创建云端爬虫集群

2024-12-08 技术教程

在线体验

scrapydweb.herokuapp.com

网络拓扑图

注册帐号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。

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）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访问 my8100/scrapyd-cluster-on-heroku-scrapydweb-app 一键部署 ScrapydWeb app，取名 myscrapydweb（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访问 myscrapydweb.herokuapp.com跳转部署和运行分布式爬虫章节继续阅读。自定义部署安装工具GitHeroku CLIPython 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-herokucd 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 username@gmail.com创建 Scrapyd 集群

新建 Git 仓库

cd scrapydgit init# explore and update the files if neededgit statusgit add .git commit -a -m "first commit"git status

部署 Scrapyd app

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

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-hostheroku config:set REDIS_PORT=your-redis-portheroku config:set REDIS_PASSWORD=your-redis-password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

新建 Git 仓库

cd ..cd scrapydwebgit init# explore and update the files if neededgit statusgit add .git commit -a -m "first commit"git status

部署 ScrapydWeb app

heroku apps:create myscrapydwebheroku git:remote -a myscrapydwebgit remote -vgit push heroku master

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:80heroku config:set SCRAPYD_SERVER_2=svr-2.herokuapp.com:80#group1heroku config:set SCRAPYD_SERVER_3=svr-3.herokuapp.com:80#group1heroku config:set SCRAPYD_SERVER_4=svr-4.herokuapp.com:80#group2访问 myscrapydweb.herokuapp.com
部署和运行分布式爬虫上传 demo 项目，即 scrapyd-cluster-on-heroku 目录下的压缩文档 scrapy_redis_demo_project.zip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 redisIn [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]: 0In [4]: r.lpush('mycrawler:start_urls', 'http://books.toscrape.com', 'http://quotes.toscrape.com')Out[4]: 2# wait for a minuteIn [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.comGitHub 开源

my8100/scrapyd-cluster-on-heroku