分布式通用爬虫管理平台 Crawlab

[tikazyq]

Crawlab

基于 Celery 的爬虫分布式爬虫管理平台，支持多种编程语言以及多种爬虫框架.

Github: https://github.com/tikazyq/crawlab

截图

首页

爬虫列表

爬虫详情 - 概览

任务详情 - 抓取结果

架构

Crawlab 的架构跟 Celery 非常相似，但是加入了包括前端、爬虫、Flower 在内的额外模块，以支持爬虫管理的功能。

节点

节点其实就是 Celery 中的 Worker。一个节点运行时会连接到一个任务队列（例如 Redis ）来接收和运行任务。所有爬虫需要在运行时被部署到节点上，用户在部署前需要定义节点的 IP 地址和端口。

爬虫

自动发现

在config.py文件中，修改变量PROJECT_SOURCE_FILE_FOLDER作为爬虫项目所在的目录。Crawlab 后台程序会自动发现这些爬虫项目并储存到数据库中。是不是很方便？

部署爬虫

所有爬虫需要在抓取前被部署当相应当节点中。在"爬虫详情"页面点击"Deploy"按钮，爬虫将被部署到所有有效到节点中。

运行爬虫

部署爬虫之后，你可以在"爬虫详情"页面点击"Run"按钮来启动爬虫。一个爬虫任务将被触发，你可以在任务列表页面中看到这个任务。

任务

任务被触发并被节点执行。用户可以在任务详情页面中看到任务到状态、日志和抓取结果。

后台应用

这是一个 Flask 应用，提供了必要的 API 来支持常规操作，例如 CRUD、爬虫部署以及任务运行。每一个节点需要启动 Flask 应用来支持爬虫部署。运行python manage.py app或python ./bin/run_app.py来启动应用。

中间者

中间者跟 Celery 中定义的一样，作为运行异步任务的队列。

前端

前端其实就是一个基于Vue-Element-Admin的单页应用。其中重用了很多 Element-UI 的控件来支持相应的展示。

数据关联

任务是利用 python 的subprocess模块中的Popen来实现的。任务 ID 将以环境变量CRAWLAB_TASK_ID的形式存在于爬虫任务运行的进程中，并以此来关联抓取数据。

在你的爬虫程序中，你需要将CRAWLAB_TASK_ID的值以task_id作为可以存入数据库中。这样 Crawlab 就直到如何将爬虫任务与抓取数据关联起来了。当前，Crawlab 只支持 MongoDB。

与其他框架比较

限制以及有一些爬虫管理框架了，因此为啥还要用 Crawlab ？

因为很多现有当平台都依赖于 Scrapyd，限制了爬虫的编程语言以及框架，爬虫工程师只能用 scrapy 和 python。当然，scrapy 是非常优秀的爬虫框架，但是它不能做一切事情。

Crawlab 使用起来很方便，也很通用，可以适用于几乎任何主流语言和框架。它还有一个精美的前端界面，让用户可以方便的管理和运行爬虫。

欢迎大家来加入 Crawlab 开发交流群

[tumbzzc]

有意思

[sunorg]

好东西，但支持 scrapy 吗，支持的话考虑迁移过去

[congeec]

中间两行多余
```
col_name = os.environ.get('CRAWLAB_COLLECTION')
if not col_name:
col_name = 'test'
col = db[col_name]
```

col_name = os.environ.get('CRAWLAB_COLLECTION', 'test')

[bazingaterry]

有点像前司的内部爬虫框架……

[sunorg]

安装不成功

[ericgui]

这个看着不错啊

[tikazyq]

@sunorg 报什么错？

[tikazyq]

@bazingaterry 哪个厂呢，我这全部手撸的

[tikazyq]

可选变量，为了防止报错

[julyclyde]

@tikazyq 这功能，估计各家实现出来都差不多吧

[tikazyq]

@julyclyde 这个是专门针对爬虫设计的，现在有很多任务调度系统，但都过于通用了