前言

我的京东价格监控网站需要不间断爬取京东商品页面，爬虫模块我采用了Scrapy+selenium+Headless Chrome的方式进行商品信息的采集。

由于最近爬虫用的服务器到期，需要换到新服务器重新部署，所以干脆把整个模块封装入Docker，以便后续能够方便快速的进行爬虫的部署。同时，由于我的Scrapy整合了redis，能够支持分布式爬取，Docker化后也更方便进行分布式的拓展。

任务需求

  • 将爬虫代码打包为Docker镜像
  • 在全新的服务器上安装Docker
  • 使用单独的Redis容器作为爬取url队列（也就是Scrapy-redis中redis的主要用处）
  • 所有新开的爬虫容器连接Redis容器

步骤

打包爬虫代码

Scrapy内置的crawler不支持页面渲染的方式进行页面渲染，需要使用scrapy-splash或者selenium作为中间件，才能够支持页面渲染爬取。我在代码中整合了selenium，并在系统中安装了chrome，这在docker中，需要在打包时将chrome安装至镜像中。

Dockerfile文件中，将chrome下载并安装至镜像，并且将chromedriver放入系统，保证selenium代码能够调用到chrome。

我参考了开源库：https://github.com/joyzoursky/docker-python-chromedriver

最后完成的Dockerfile文件：


1FROM python:3.6
 2
 3# install google chrome
 4RUN wget -q -O - https://dl.google.com/linux/linux_signing_key.pub | apt-key add -
 5RUN sh -c 'echo "deb [arch=amd64] http://dl.google.com/linux/chrome/deb/ stable main" >> /etc/apt/sources.list.d/google-chrome.list'
 6RUN apt-get -y update
 7RUN apt-get install -y google-chrome-stable
 8
 9# install chromedriver
10RUN apt-get install -yqq unzip
11RUN wget -O /tmp/chromedriver.zip http://chromedriver.storage.googleapis.com/`curl -sS chromedriver.storage.googleapis.com/LATEST_RELEASE`/chromedriver_linux64.zip
12RUN unzip /tmp/chromedriver.zip chromedriver -d /usr/local/bin/
13
14# set display port to avoid crash
15ENV DISPLAY=:99
16
17# copy pm_scrapy
18WORKDIR /usr/src/app
19COPY . .
20
21# install requirements
22RUN pip install -r requirements.txt
23
24CMD scrapy crawl JDcate


写完Docker文件，在打包前，最好还要加上.dockerignore避免吧没用的文件打包进镜像。

我打包的代码结构图如下：


docker分布式环境 docker分布式爬虫_docker分布式环境


使用命令，生成镜像：


1 sudo docker image build -t pm_scrapy .   

1REPOSITORY          TAG                 IMAGE ID            CREATED             SIZE
2pm_scrapy           latest              082e7e350831        47 hours ago        1.41 GB
3proxy_pool          latest              83a95913162b        6 days ago          1.01 GB
4python              3.6                 749d36d00e00        10 days ago         921 MB
5redis               latest              5d2989ac9711        10 days ago         95 MB


1.41G，大的吓人。

运行redis容器

镜像打包好之后，别急着运行，因为新服务器上，Redis还没有呢。

原则上来说，你可以使用docker-compose，把redis和爬虫代码两个镜像同时运行起来。

我这里，我将redis开启单独的镜像，一是为了方便其它模块使用redis，二是方便以后开更多的scrapy进行分布式爬取。

使用官方的redis镜像开启redis容器，并将redis端口映射到宿主机6379：


1docker run -p 6379:6379  -d redis --requirepass "密码"


官方的redis设置中默认就是0.0.0.0，不用担心宿主机无法访问。

连接爬虫容器和redis容器

接下来可以运行爬虫容器，需要注意的是，连接两个容器，需要使用link。

首先找到redis容器的ID，或者你给他自定义的名字


docker分布式环境 docker分布式爬虫_linux selenium_02


接着运行并连接容器：


1sudo docker container run -itd --link 00c2655515fb:redis pm_scrapy


出现问题：Docker 使用--link出现Cannot link to /xxx, as it does not belong to xxxxx异常

这个异常的原因是redis在一个特殊的网络里，你需要用：


1docker inspect [需要link的容器名称或ID]


来查看redis容器所在的网段。

同时还可以看看


1docker network ls


docker分布式环境 docker分布式爬虫_selenium手册_03


之后你就需要类似这样的语句（多指定--net来定下容器所在网络）：


1docker run -d --name movie_project -p 9090:80 --link 容器名:别名 --net link_continer_network -v /root/project/movie_project:/app:Z python2/nginx/flask


跑代码

一切就绪，发现爬虫没法运行，使用docker logs 容器ID查看log。发现问题

出现问题：headless chrome：DevToolsActivePort file doesn't exist while trying to initiate Chrome Browser

这个问题参考下面的网址，这里直接给出解决方案，在你的代码里加一行参数：


1chrome_options.add_argument('--disable-dev-shm-usage')


这是我的代码截图：


docker分布式环境 docker分布式爬虫_selenium手册_04


参考：

https:// stackoverflow.com/quest ions/50642308/org-openqa-selenium-webdriverexception-unknown-error-devtoolsactiveport-file-d/50642913#50642913

对该容器的日常维护

平日里可以使用docker exec -it 21323a52d19f /bin/bash进入正在运行容器的bash，查看下爬虫状态

关注我

本人目前为后台开发工程师，主要关注Python爬虫，后台开发等相关技术。

原创博客主要内容：

  • 笔试面试复习知识点手册
  • Leetcode算法题解析（前150题）
  • 剑指offer算法题解析
  • Python爬虫相关实战
  • 后台开发相关实战