網站首頁 編程語言 正文
有個需求場景是這樣的,使用redis控制scrapy運行的數量。當系統的后臺設置為4時,只允許scapry啟動4個任務,多余的任務則進行排隊。
概況
最近做了一個django + scrapy + celery + redis 的爬蟲系統,客戶購買的主機除了跑其他程序外,還要跑我開發的這套程序,所以需要手動控制scrapy的實例數量,避免過多的爬蟲給系統造成負擔。
流程設計
1、爬蟲任務由用戶以請求的方式發起,所有的用戶的請求統一進入到celery進行排隊;
2、任務數量控制的執行就交給reids,經由celery保存到redis,包含了爬蟲啟動所需要的必要信息,從redis取一條信息即可啟動一個爬蟲;
3、通過scrapyd的接口來獲取當前在運行的爬蟲數量,以便決定下一步流程:如果小于4,則從redis中取相應數量的信息來啟動爬蟲,如果大于等于4,則繼續等待;
4、如果在運行爬蟲的數量有所減少,則及時從reids中取相應數量的信息來啟動爬蟲。
代碼實現
業務代碼有點復雜和啰嗦,此處使用偽代碼來演示
import redis
# 實例化一個redis連接池
pool = redis.ConnectionPool(host='127.0.0.1', port=6379, decode_responses=True, db=4, password='')
r = redis.Redis(connection_pool=pool)
# 爬蟲實例限制為4 即只允許4個scrapy實例在運行
limited = 4
# 聲明redis的樂觀鎖
lock = r.Lock()
# lock.acquire中有while循環,即它會線程阻塞,直到當前線程獲得redis的lock,才會繼續往下執行代碼
if lock.acquire():
# 1、從reids中取一條爬蟲信息
info = redis.get()
# 2、while循環監聽爬蟲運行的數量
while True:
req = requests.get('http://127.0.0.1:6800/daemonstatus.json').json()
# 統計當前有多少個爬蟲在運行
running = req.get('running') + req.get('pending')
# 3、判斷是否等待還是要增加爬蟲數量
# 3.1 如果在運行的數量大于等于設置到量 則繼續等待
if running >= limited:
continue
# 3.2 如果小于 則啟動爬蟲
start_scrapy(info)
# 3.3 將info從redis中刪除
redis.delete(info)
# 3.4 釋放鎖
lock.release()
break
當前,這只是偽代碼而已,實際的業務邏輯可能是非常復雜的,如:
@shared_task
def scrapy_control(key_uuid):
r = redis.Redis(connection_pool=pool)
db = MysqlDB()
speed_limited = db.fetch_config('REPTILE_SPEED')
speed_limited = int(speed_limited[0])
keywords_num = MysqlDB().fetch_config('SEARCH_RANDOM')
keywords_num = int(keywords_num[0])
# while True:
lock = r.lock('lock')
with open('log/celery/info.log', 'a') as f: f.write(str(datetime.datetime.now()) + '--' + str(key_uuid) + ' 進入處理環節' + '\n')
try:
# acquire默認阻塞 如果獲取不到鎖時 會一直阻塞在這個函數的while循環中
if lock.acquire():
with open('log/celery/info.log', 'a') as f: f.write(str(datetime.datetime.now()) + '--' + str(key_uuid) + ' 獲得鎖' + '\n')
# 1 從redis中獲取信息
redis_obj = json.loads(r.get(key_uuid))
user_id = redis_obj.get('user_id')
contents = redis_obj.get('contents')
# 2 使用while循環處理核心邏輯
is_hold_print = True
while True:
req = requests.get('http://127.0.0.1:6800/daemonstatus.json').json()
running = req.get('running') + req.get('pending')
# 3 如果仍然有足夠的爬蟲在運行 則hold住redis鎖,等待有空余的爬蟲位置讓出
if running >= speed_limited:
if is_hold_print:
with open('log/celery/info.log', 'a') as f: f.write(str(datetime.datetime.now()) + '--' + str(key_uuid) + ' 爬蟲在運行,線程等待中' + '\n')
is_hold_print = False
time.sleep(1)
continue
# 4 有空余的爬蟲位置 則往下走
# 4.1 處理完所有的內容后 釋放鎖
if len(contents) == 0:
r.delete(key_uuid)
with open('log/celery/info.log', 'a') as f: f.write(str(datetime.datetime.now()) + '--' + str(key_uuid) + ' 任務已完成,從redis中刪除' + '\n')
lock.release()
with open('log/celery/info.log', 'a') as f: f.write(str(datetime.datetime.now()) + '--' + str(key_uuid) + ' 釋放鎖' + '\n')
break
# 4.2 創建task任務
task_uuid = str(uuid.uuid4())
article_obj = contents.pop()
article_id = article_obj.get('article_id')
article = article_obj.get('content')
try:
Task.objects.create(
task_uuid = task_uuid,
user_id = user_id,
article_id = article_id,
content = article
)
except Exception as e:
with open('log/celery/error.log', 'a') as f: f.write(str(datetime.datetime.now()) + '--' + str(key_uuid) + '->' + str(task_uuid) + ' 創建Task出錯: ' + str(e) + '\n')
# finally:
# 4.3 啟動爬蟲任務 即便創建task失敗也會啟動
try:
task_chain(user_id, article, task_uuid, keywords_num)
except Exception as e:
with open('log/celery/error.log', 'a') as f: f.write(str(datetime.datetime.now()) + '--' + str(key_uuid) + ' 啟動任務鏈失敗: ' + str(e) + '\n')
# 加入sleep 防止代碼執行速度快于爬蟲啟動速度而導致當前線程啟動額外的爬蟲
time.sleep(5)
except Exception as e:
with open('log/celery/error.log', 'a') as f: f.write(str(datetime.datetime.now()) + '--' + str(key_uuid) + ' 獲得鎖之后的操作出錯: ' + str(e) + '\n')
lock.release()
小坑
scrapy啟動速度相對較慢,所以while循環中,代碼中執行到了爬蟲的啟動,需要sleep一下再去通過scrapyd接口獲取爬蟲運行的數量,如果立刻讀取,可能會造成誤判。
原文鏈接:https://www.cnblogs.com/mooremok/p/16961634.html
相關推薦
- 2022-02-25 Oracle工具PL/SQL的基本語法_oracle
- 2022-10-27 python中namedtuple函數的用法解析_python
- 2022-07-04 python實現畫桃心表白_python
- 2023-01-07 Python源碼加密與Pytorch模型加密分別介紹_python
- 2022-02-24 Promise.all() 函數的常用場景
- 2022-07-27 Python中range函數的使用方法_python
- 2022-08-12 python封裝成exe的超詳細教程_python
- 2022-05-08 python刪除列表元素del,pop(),remove()及clear()_python
- 最近更新
-
- window11 系統安裝 yarn
- 超詳細win安裝深度學習環境2025年最新版(
- Linux 中運行的top命令 怎么退出?
- MySQL 中decimal 的用法? 存儲小
- get 、set 、toString 方法的使
- @Resource和 @Autowired注解
- Java基礎操作-- 運算符,流程控制 Flo
- 1. Int 和Integer 的區別,Jav
- spring @retryable不生效的一種
- Spring Security之認證信息的處理
- Spring Security之認證過濾器
- Spring Security概述快速入門
- Spring Security之配置體系
- 【SpringBoot】SpringCache
- Spring Security之基于方法配置權
- redisson分布式鎖中waittime的設
- maven:解決release錯誤:Artif
- restTemplate使用總結
- Spring Security之安全異常處理
- MybatisPlus優雅實現加密?
- Spring ioc容器與Bean的生命周期。
- 【探索SpringCloud】服務發現-Nac
- Spring Security之基于HttpR
- Redis 底層數據結構-簡單動態字符串(SD
- arthas操作spring被代理目標對象命令
- Spring中的單例模式應用詳解
- 聊聊消息隊列,發送消息的4種方式
- bootspring第三方資源配置管理
- GIT同步修改后的遠程分支