基于scrapyd爬虫发布总结
一、版本情况
python以丰富的三方类库取得了众多程序员的认可，但也因此带来了众多的类库版本问题，本文总结的内容是基于最新的类库版本。
1、scrapy版本：1.1.0
2、scrapyd 版本：1.1.0
a、scrapyd在windows下默认使用c:\scrapyd\scrapyd.cfg作为配置，若是没有配置，则使用默认值，下面给个例子。
[scrapyd] eggs_dir = eggs logs_dir = logs items_dir = jobs_to_keep = 5 dbs_dir = dbs max_proc = 0 max_proc_per_cpu = 4 finished_to_keep = 100 poll_interval = 5 bind_address = 0.0.0.0 http_port = 6800 debug = off runner = scrapyd.runner application = scrapyd.app.application launcher = scrapyd.launcher.Launcher webroot = scrapyd.website.Root [services] schedule.json = scrapyd.webservice.Schedule cancel.json = scrapyd.webservice.Cancel addversion.json = scrapyd.webservice.AddVersion listprojects.json = scrapyd.webservice.ListProjects listversions.json = scrapyd.webservice.ListVersions listspiders.json = scrapyd.webservice.ListSpiders delproject.json = scrapyd.webservice.DeleteProject delversion.json = scrapyd.webservice.DeleteVersion listjobs.json = scrapyd.webservice.ListJobs daemonstatus.json = scrapyd.webservice.DaemonStatus
b、默认路径为c:盘根目录，爬虫发布后，会在c:盘根目录生成三个文件夹：eggs、logs、dbs，分别存放egg包，爬虫执行日志，爬虫数据。
二、官网文档
1、scrapy
http://scrapy.readthedocs.io/en/latest/ 英文版
2、scrapyd
http://scrapyd.readthedocs.io/en/latest
特别说明，百度上搜索出来的很多scrapy和scrapyd的资料已经过时，因为这两个三方库一直在更新，导致很多过去的总结，现在已经不适用。
虽然这两个文档都是E文的(scrapy有一个中文版，但是不全)，对于大家的E文是一个挑战，但是用来简单查查资料，还是可以的。
三、用途说明
1、scrapy
有名的爬虫框架，模块化、结构化相对做得好，基于scrapy开发爬虫，其效率、稳定性都比白手起家要好很多。
2、scrapyd
Scrapyd is a service for running Scrapy spiders.
It allows you to deploy your Scrapy projects and control their spiders using a HTTP JSON API.
Scrapyd can manage multiple projects and each project can have multiple versions uploaded, but only the latest one will be used for launching new spiders.
scrapyd是运行scrapy爬虫的服务程序，它支持以http命令方式发布、删除、启动、停止爬虫程序。而且scrapyd可以同时管理多个爬虫，每个爬虫还可以有多个版本。
四、使用说明
1、scrapyd安装
使用pip命令，系统会自动安装辅助scrapyd及依赖组件。
这里需要补充一点，目前pip默认源上的scrapyd不是最新的release版本，会出现很多命令不支持的情况。
所以建议进入到https://github.com/scrapy/scrapyd网站下载最新源码版本，然后解压到任意目录，再用python setup.py install命令手动安装。
驱动器 C 中的卷是 Windows
卷的序列号是 9C3D-C0EC
C:\Python27\Lib\site-packages\scrapyd-master 的目录
2016-05-20 23:35 1,538 setup.py
1 个文件 1,538 字节
0 个目录 26,489,679,872 可用字节
C:\Python27\Lib\site-packages\scrapyd-master>python setup.py install
……
2、scrapyd运行
2016-07-01 23:12:16+0800 [-] Log opened.
2016-07-01 23:12:16+0800 [-] twistd 16.1.1 (C:\Python27\python.exe 2.7.11) starting up.
2016-07-01 23:12:16+0800 [-] reactor class: twisted.internet.selectreactor.SelectReactor.
2016-07-01 23:12:16+0800 [-] Site starting on 6800
2016-07-01 23:12:16+0800 [-] Starting factory <twisted.web.server.Site instance at 0x0000000004688808>
2016-07-01 23:12:16+0800 [Launcher] Scrapyd 1.1.0 started: max_proc=16, runner='scrapyd.runner'
默认情况下scrapyd运行后会侦听6800端口，注意最新的版本只有jobs、logs、documentation，3个菜单项，pip里安装的版本，运行后有4个菜单。
3、scrapyd支持的API 介绍
scrapyd支持一系列api，下面用一个py文件来介绍
# -*- coding: utf-8 -*-
import json
baseUrl ='http://127.0.0.1:6800/'
daemUrl ='http://127.0.0.1:6800/daemonstatus.json'
listproUrl ='http://127.0.0.1:6800/listprojects.json'
listspdUrl ='http://127.0.0.1:6800/listspiders.json?project=%s'
listspdvUrl= 'http://127.0.0.1:6800/listversions.json?project=%s'
listjobUrl ='http://127.0.0.1:6800/listjobs.json?project=%s'
delspdvUrl= 'http://127.0.0.1:6800/delversion.json'
#http://127.0.0.1:6800/daemonstatus.json
#查看scrapyd服务器运行状态
r= requests.get(daemUrl)
print '1.stats :\n %s \n\n' %r.text
#http://127.0.0.1:6800/listprojects.json
#获取scrapyd服务器上已经发布的工程列表
r= requests.get(listproUrl)
print '1.1.listprojects : [%s]\n\n' %r.text
if len(json.loads(r.text)["projects"])>0 :
project = json.loads(r.text)["projects"][0]
#http://127.0.0.1:6800/listspiders.json?project=myproject
#获取scrapyd服务器上名为myproject的工程下的爬虫清单
listspd=listspd % project
r= requests.get(listspdUrl)
print '2.listspiders : [%s]\n\n' %r.text
if json.loads(r.text).has_key("spiders")>0 :
spider =json.loads(r.text)["spiders"][0]
#http://127.0.0.1:6800/listversions.json?project=myproject
##获取scrapyd服务器上名为myproject的工程下的各爬虫的版本
listspdvUrl=listspdvUrl % project
r = requests.get(listspdvUrl)
print '3.listversions : [%s]\n\n' %rtext
if len(json.loads(r.text)["versions"])>0 :
version = json.loads(r.text)["versions"][0]
#http://127.0.0.1:6800/listjobs.json?project=myproject
#获取scrapyd服务器上的所有任务清单，包括已结束，正在运行的，准备启动的。
listjobUrl=listjobUrl % proName
r=requests.get(listjobUrl)
print '4.listjobs : [%s]\n\n' %r.text
#schedule.json
#http://127.0.0.1:6800/schedule.json -d project=myproject -d spider=myspider
#启动scrapyd服务器上myproject工程下的myspider爬虫，使myspider立刻开始运行，注意必须以post方式
schUrl = baseurl + 'schedule.json'
dictdata ={ "project":project,"spider":spider}
r= reqeusts.post(schUrl, json= dictdata)
print '5.1.delversion : [%s]\n\n' %r.text
#http://127.0.0.1:6800/delversion.json -d project=myproject -d version=r99'
#删除scrapyd服务器上myproject的工程下的版本名为version的爬虫，注意必须以post方式
delverUrl = baseurl + 'delversion.json'
dictdata={"project":project ,"version": version }
r= reqeusts.post(delverUrl, json= dictdata)
print '6.1.delversion : [%s]\n\n' %r.text
#http://127.0.0.1:6800/delproject.json -d project=myproject
#删除scrapyd服务器上myproject工程，注意该命令会自动删除该工程下所有的spider，注意必须以post方式
delProUrl = baseurl + 'delproject.json'
dictdata={"project":project }
r= reqeusts.post(delverUrl, json= dictdata)
print '6.2.delproject : [%s]\n\n' %r.text
总结一下：
http://127.0.0.1:6800/listprojects.json
6、启动服务器上某一爬虫（必须是已发布到服务器的爬虫）
http://localhost:6800/schedule.json （post方式，data={"project":myproject,"spider":myspider}）
这里可以看到，有删除爬虫的APi，有启动爬虫的API，独独没有发布爬虫的API，为什么呢？
因为发布爬虫需要使用另一个专用工具Scrapyd-client。
五、发布爬虫的工具Scrapyd-client
Scrapyd-client是一个专门用来发布scrapy爬虫的工具，安装该程序之后会自动在c:\python\scripts安装一个名为scrapyd-deploy的工具（其实打开该文件，可以发现它是一个类似setup.py的python脚本，所以可以通过python scrapyd-deploy的方式运行）。
1、安装方法
……
C:\Python27\Scripts>dir sc*
驱动器 C 中的卷是 Windows
卷的序列号是 9C3D-C0EC
C:\Python27\Scripts 的目录
2016-06-29 11:19 313 scrapy-script.py
2016-06-29 11:19 74,752 scrapy.exe
2016-06-29 09:10 9,282 scrapyd-deploy
2016-06-29 11:19 318 scrapyd-script.py
2016-06-29 11:19 74,752 scrapyd.exe
5 个文件 159,417 字节
2、运行方法
1)、拷贝scrapyd-deploy工具到爬虫目录下
驱动器 D 中的卷没有标签。
卷的序列号是 36D9-CDC7
D:\python\Spider-master\ccpmess 的目录
2016-07-01 23:52 <DIR> .
2016-07-01 23:52 <DIR> ..
2016-06-30 13:52 <DIR> ccpmess
2016-06-30 13:37 662 ccpmess-main.py
2016-06-30 13:53 1,022 ccpmess.wpr
2016-07-01 14:52 78,258 ccpmess.wpu
2016-06-30 14:07 324 scrapy.cfg
2016-06-29 09:10 9,282 scrapyd-deploy
2)修改爬虫的scapy.cfg文件
首先去掉url前的注释符号，这里url就是你的scrapyd服务器的网址。
其次，deploy:127表示把爬虫发布到名为127的爬虫服务器上。
这个名叫target名字可以随意起，一般情况用在需要同时发布爬虫到多个目标服务器时，可以通过指定名字的方式发布到指定服务器。
其次，default=ccpmess.settings 中 ccpmess也是可以改的，貌似没啥用，默认还是用工程名字。
关键是scrapyd-deploy 所在目录，具体其实可以读下scrapyd-deploy 的代码。
# Automatically created by: scrapy startproject
#
# For more information about the [deploy] section see:
# https://scrapyd.readthedocs.org/en/latest/deploy.html
[settings]
default = ccpmess.settings
[deploy:127]
url = http://127.0.0.1:6800/
project = ccpmess
[deploy:141]
url = http://138.0.0.141:6800/
project = ccpmess
3)查看配置
检查scrapy配置是否正确。
141 http://138.20.1.141:6800/
127 http://127.0.0.1:6800/
4)发布爬虫
scrapyd-deploy <target> -p <project> --version <version>
target就是前面配置文件里deploy后面的的target名字。
project 可以随意定义，跟爬虫的工程名字无关。
version自定义版本号，不写的话默认为当前时间戳。
注意，爬虫目录下不要放无关的py文件，放无关的py文件会导致发布失败，但是当爬虫发布成功后，会在当前目录生成一个setup.py文件，可以删除掉。
Packing version ver20160702
Deploying to project "projectccp" in http://127.0.0.1:6800/addversion.json
Server response (200):
{"status": "ok", "project": "projectccp", "version": "ver20160702", "spiders": 1, "node_name": "compter……"}
到此，基于scrapyd的爬虫发布教程就写完了。
可能有人会说，我直接用scrapy cwal 命令也可以执行爬虫，个人理解用scrapyd服务器管理爬虫，至少有以下几个优势：
1、可以避免爬虫源码被看到。
2、有版本控制。
3、可以远程启动、停止、删除，正是因为这一点，所以scrapyd也是分布式爬虫的解决方案之一。
<--END-->
