adam0429 / spideradmin

SpiderAdmin 一个集爬虫Scrapy+Scrapyd爬虫项目查看 和 爬虫任务定时调度的可视化管理工具

SpiderAdmin

• github: https://github.com/mouday/SpiderAdmin
• pypi: https://pypi.org/project/spideradmin/

新版本发布说明

SpiderAdmin 项目短期内不进行维护升级，如需体验新版，请移步：

spider-admin-pro

spider-admin-pro 项目基于SpiderAdmin 对现有功能进行了重写，前端采用Vue，后端采用Flask，分模块开发，更加利于二次开发和代码维护。

功能介绍

1. 对Scrapyd 接口进行可视化封装，对Scrapy爬虫项目进行删除 和 查看

2. 并没有实现修改，添加功能, 部署推荐使用

$ scrapyd-deploy -a

3. 对爬虫设置定时任务，支持apscheduler 的3中方式和随机延时，共计4中方式

• 单次运行 date
• 周期运行 corn
• 间隔运行 interval
• 随机运行 random

4. 基于Flask-BasicAuth 做了简单的权限校验

启动运行

$ pip3 install -U spideradmin

$ spideradmin init  # 初始化，可选配置，也可以使用默认配置

$ spideradmin       # 启动服务

访问： http://127.0.0.1:5000/

开启站点认证

修改启动目录下配置文件config.py

# 如果为 True 整个站点都验证， 默认不验证
BASIC_AUTH_FORCE = True

页面截图

TODO

1. 增加登录页面做权限校验
2. 增加定时设置的多样性
3. 增加定时随机运行
4. 支持scrapyd做nginx认证,支持分布式多机部署

部署Scrapyd注意版本问题

• Scrapyd==1.2.0
• Scrapy==1.6.0
• Twisted==18.9.0

启用执行结果扩展

安装依赖

pip install PureMySQL

新建数据表

CREATE TABLE `log_spider` (
  `id` int(11) NOT NULL AUTO_INCREMENT,
  `spider_name` varchar(50) DEFAULT NULL,
  `item_count` int(11) DEFAULT NULL,
  `duration` int(11) DEFAULT NULL,
  `log_error` int(11) DEFAULT NULL,
  `create_time` datetime DEFAULT NULL,
  PRIMARY KEY (`id`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COMMENT='爬虫执行结果统计'

1、在scrapy项目中添加数据收集扩展文件

item_count_extension.py

# -*- coding: utf-8 -*-

import logging

from scrapy import signals
from puremysql import PureMysql
from datetime import datetime


class SpiderItemCountExtension(object):
    
    # 设置为数据库链接url eg: mysql://root:[email protected]:3306/mydata 
    ITEM_LOG_DATABASE_URL = None
    
    # 设置数据表
    ITEM_LOG_TABLE = "log_spider"

    @classmethod
    def from_crawler(cls, crawler):
        ext = cls()
        crawler.signals.connect(ext.spider_closed, signal=signals.spider_closed)
        return ext

    def spider_closed(self, spider, reason):
        stats = spider.crawler.stats.get_stats()
        scraped_count = stats.get("item_scraped_count", 0)
        dropped_count = stats.get("item_dropped_count", 0)

        log_error = stats.get("log_count/ERROR", 0)
        start_time = stats.get("start_time")
        finish_time = stats.get("finish_time")
        duration = (finish_time - start_time).seconds

        count = scraped_count + dropped_count

        logging.debug("*" * 50)
        logging.debug("* {}".format(spider.name))
        logging.debug("* item count: {}".format(count))
        logging.debug("*" * 50)

        item = {
            "spider_name": spider.name,
            "item_count": count,
            "duration": duration,
            "log_error": log_error,
            "create_time": datetime.now().strftime("%Y-%m-%d %H:%M:%S")
        }

        mysql = PureMysql(db_url=self.ITEM_LOG_DATABASE_URL)
        table = mysql.table(self.ITEM_LOG_TABLE)
        table.insert(item)
        mysql.close()

2、scrapy项目启用扩展 settings.py

EXTENSIONS = {
    # 'scrapy.extensions.telnet.TelnetConsole': None,
    "item_count_extension.SpiderItemCountExtension": 100
}

3、配置相同的db_url default_config.py

ITEM_LOG_DATABASE_URL = "mysql://root:[email protected]:3306/mydata"
ITEM_LOG_TABLE = "log_spider"

更新日志

版本	日期	描述
0.0.17	2019-07-02	优化文件，优化随机调度，增加调度历史统计和可视化
0.0.20	2019-10-08	增加执行结果统计
0.0.29	2020-03-25	优化刷新显示，停留在当前页面下

沟通交流

关注本项目的小伙伴越来越多，为了更好地交流沟通，可以加入群聊

问题：邀请码 答案：SpiderAdmin

项目说明

为了现有项目能够稳定运行，短期内不发布新的版本，以免不兼容