教你实现一个可视化爬虫监控系统

Bertha 。 2022-02-03 09:47 446阅读 0赞

*\# 1.  前言 ** *

本文并不是讲解爬虫的相关技术实现的，而是从实用性的角度，将抓取并存入 MongoDB 的数据 用 InfluxDB 进行处理，而后又通过 Grafana 将爬虫抓取数据情况通过酷炫的图形化界面展示出来。

在开始之前，先对 Grafana 和 InfluxDB 做一下简要的介绍：

*  **Grafana**：是一个开源的分析和监控系统，拥有精美的web UI，支持多种图表，可以展示influxdb中存储的数据，并且有报警的功能。
 *  **Influxdb **：是一款开源的时间序列数据库，专门用来存储和时间相关的数据（比如我用它存储某个时间点爬虫抓取信息的数量）。

最终能实现的效果是这样的：

![1545189786894146.jpg][]

请注意以下操作，都是 Mac 下实现的。但是原理是相似的，你可以在自己的 PC 上进行试验。

# *\#2. 安装配置 InfluxDB * #

安装 InfluxDB

brew update  
brew install influxdb

修改配置文件/usr/local/etc/influxdb.conf，如果原文件中没有对应配置项，需自己添加。

\[data\]  
  \# 将存储 TSM 文件的路径，修改成自己的目录。  
  dir = "/usr/local/var/influxdb/data"       
\# 将存储 WAL 文件的路径，修改成自己的目录。  
  wal-dir = "/usr/local/var/influxdb/wal"    
  
\[admin\]  
  \# 设定 admin 管理界面的 host 和 port   
  bind-address='127.0.0.1:8083'  
  
\[http\]  
  \# 修改 API 的 host 和 port  
  bind-address = ":8086"

# *\#3. 安装配置 Grafana * #

安装 Grafana

brew update  
brew install grafana

并修改 Grafana 配置文件 /usr/local/etc/grafana/grafana.ini，内容如下：

# *\#4. 爬虫代码 * #

由于这里主是要介绍如何将 Grafana 和 InfluxDB 与爬虫进行结合的方案，而不是主讲爬虫原理，而且代码也比较多，影响可读性，所以就不贴出爬取的代码。

若你对这代码感兴趣，可以点击原文连接查看详细内容！

# *\#5. 监控脚本  * #

考虑到可能要增加爬虫到监控中，因此这里使用了热更新对监控进行动态配置。

配置文件 influx\_settings.conf 主要用于热更新相关设置。

\# \[需要监控的 MongoDB 数据的 数据库名 和 集合名\]  
\[db\]  
db\_collection\_dict = \{  
    'learn\_selenium\_doubandianying': 'movie\_info',  
    \}  
  
\# \[设置循环间隔时间\]  
\[time\]  
interval = **15**

如何动态读取这个配置文件的设置呢？需要写一个脚本来监控。代码如下：

import ast  
import time  
import pymongo  
import traceback  
from configparser import ConfigParser  
from influxdb import InfluxDBClient  
from datetime import datetime  
from os.path import getmtime  
  
\# 配置 influxdb  
client = InfluxDBClient(host='localhost', port=8086) \# influxdb默认端口为8086  
  
\# 创建 database  
client.create\_database('Spider')  
\# switch 到 database  
client.switch\_database('Spider')  
  
\# 设定配置文件  
config\_name = 'influx\_settings.conf'  
  
WATCHED\_FILES = \[config\_name\]  
WATCHED\_FILES\_MTIMES = \[(f, getmtime(f)) for f in WATCHED\_FILES\]    
  
\_count\_dict = \{\}  
\_size\_dict = \{\}  
  
\# 获取配置文件中的设置  
def parse\_config(file\_name):  
    try:  
        \# 创建一个配置文件对象  
        cf = ConfigParser()   
        \# 打开配置文件  
        cf.read(file\_name)  
        \# 获取配置文件中的统计频率  
        interval = cf.getint('time', 'interval')  
        \# 获取配置文件中要监控的 dbs 和 collection  
        dbs\_and\_collections = ast.literal\_eval(cf.get('db', 'db\_collection\_dict'))  
        return interval, dbs\_and\_collections  
  
    except:  
        print(traceback.print\_exc())  
        return None  
  
  
\# 从 MongoDB 获取数据，并写入 InfluxDB  
def insert\_data(dbs\_and\_collections):  
  
    \# 连接 MongoDB 数据库  
    mongodb\_client = pymongo.MongoClient(host='127.0.0.1',port=27017)  \# 直接使用默认地址端口连接 MongoDB  
  
    for db\_name, collection\_name in dbs\_and\_collections.items():  
  
        \# 数据库操作，创建 collection 集合对象  
        db = mongodb\_client\[db\_name\]  
        collection = db\[collection\_name\]  
  
        \# 获取 collection 集合大小  
        collection\_size = round(float(db.command("collstats", collection\_name).get('size')) / 1024 / 1024, 2)  
  
        \# 获取 collection 集合内数据条数  
        current\_count = collection.count()  
  
        \# 初始化数据条数，当程序刚执行时，条数初始量就设置为第一次执行时获取的数据  
        init\_count = \_count\_dict.get(collection\_name, current\_count)  
        \# 初始化数据大小，当程序刚执行时，大小初始量就设置为第一次执行时获取的数据大小  
        init\_size = \_size\_dict.get(collection\_name, collection\_size)  
  
        \# 得到数据条数增长量  
        increase\_amount = current\_count - init\_count          
        \# 得到数据大小增长量  
        increase\_collection\_size = collection\_size - init\_size  
  
        \# 得到当前时间  
        current\_time = datetime.utcnow().strftime('%Y-%m-%dT%H:%M:%SZ')  
  
        \# 赋值  
        \_count\_dict\[collection\_name\] = current\_count  
        \_size\_dict\[collection\_name\] = collection\_size  
  
        \# 构建  
        json\_body = \[  
            \{  
                "measurement": "crawler",  
                "time": current\_time,  
                "tags": \{  
                    "spider\_name": collection\_name  
                \},  
                "fields": \{  
                    "count": current\_count,  
                    "increase\_count": increase\_amount,  
                    "size": collection\_size,  
                    "increase\_size": increase\_collection\_size  
  
                \}  
            \}  
        \]  
        \# 将获取  
        if client.write\_points(json\_body):  
            print('成功写入influxdb！',json\_body)  
  
  
def main():  
    \# 获取配置文件中的监控频率和MongoDB数据库设置  
    interval, dbs\_and\_collexctions = parse\_config(config\_name)  
  
    \# 如果配置有问题则报错  
    if (interval or dbs\_and\_collexctions) is None:  
        raise ValueError('配置有问题，请打开配置文件重新设置！')  
  
    print('设置监控频率：', interval)  
    print('设置要监控的MongoDB数据库和集合：', dbs\_and\_collexctions)  
  
    last\_interval = interval  
    last\_dbs\_and\_collexctions = dbs\_and\_collexctions  
  
    \# 这里实现配置文件热更新  
    for f, mtime in WATCHED\_FILES\_MTIMES:  
        while True:  
            \# 检查配置更新情况，如果文件有被修改，则重新获取配置内容  
            if getmtime(f) != mtime:  
                \# 获取配置信息  
                interval, dbs\_and\_collections = parse\_config(config\_name)  
                print('提示：配置文件于 %s 更新！' % (time.strftime("%Y-%m-%d %H:%M:%S")))  
  
                \# 如果配置有问题，则使用上一次的配置  
                if (interval or dbs\_and\_collexctions) is None:  
                    interval = last\_interval  
                    dbs\_and\_collexctions = last\_dbs\_and\_collexctions  
  
                else:  
                    print('使用新配置！')  
                    print('新配置内容:', interval, dbs\_and\_collexctions)  
                    mtime = getmtime(f)  
  
            \# 写入 influxdb 数据库  
            insert\_data(dbs\_and\_collexctions)  
  
            \# 使用 sleep 设置每次写入的时间间隔  
            time.sleep(interval)  
  
if \_\_name\_\_ == '\_\_main\_\_':  
    main()

来试着运行一下

python3 influx\_monitor.py

运行，得到下图内容，表示监控脚本运行成功。

![1545189787761783.jpg][]

另建窗口，修改配置文件 influx\_settings.conf

\# 修改间隔时间为8秒  
interval = 8

切换至第一次运行 influxDB 的窗口，会提示配置更新，说明配置热更新生效。

![1545189787488966.jpg][]

# *\#6. 配置 Grafana * #

首先打开 Chrome 浏览器，输入 http://127.0.0.1:3000 登录 grafana 页面。

连接本地 influxDB 数据库，操作如下图。  
在红色方框内选择 Type 类型为 InfluxDB，并输入URL：http://localhost:8086

![1545189788545001.jpg][]

![1545189788645301.jpg][]

在红框内输入influxDB数据库名称

新建 dashboard

![1545189788176861.jpg][]

新建 graph 类型 dashboard

修改 dashboard 设置

![1545189789460293.jpg][]

点击红色方框修改设定

![1545189790108260.jpg][]

修改 dashboard 配置

设置监控的数据对象

在监控脚本中，写入influxDB的代码如下，其中 "measurement" 对应 表名，"fields" 对应写入的字段；

"measurement": "crawler",  
                "fields": \{  
                    "count": current\_count,  
                    "increase\_count": increase\_amount,  
                    "size": collection\_size,  
                    "increase\_size": increase\_collection\_size  
   \}

# *\#7. 运行爬虫文件* #

启动 MongoDB 数据库服务。

brew services mongodb start

新建一个 terminal 窗口，运行爬虫文件。

![1545189790376658.jpg][]

爬虫文件运行成功

我们可以在刚刚打开的控制台里查看效果展示：

![1545189790325507.jpg][]

[1545189786894146.jpg]: https://www.itcodemonkey.com/data/upload/portal/20181219/1545189786894146.jpg
[1545189787761783.jpg]: https://www.itcodemonkey.com/data/upload/portal/20181219/1545189787761783.jpg
[1545189787488966.jpg]: https://www.itcodemonkey.com/data/upload/portal/20181219/1545189787488966.jpg
[1545189788545001.jpg]: https://www.itcodemonkey.com/data/upload/portal/20181219/1545189788545001.jpg
[1545189788645301.jpg]: https://www.itcodemonkey.com/data/upload/portal/20181219/1545189788645301.jpg
[1545189788176861.jpg]: https://www.itcodemonkey.com/data/upload/portal/20181219/1545189788176861.jpg
[1545189789460293.jpg]: https://www.itcodemonkey.com/data/upload/portal/20181219/1545189789460293.jpg
[1545189790108260.jpg]: https://www.itcodemonkey.com/data/upload/portal/20181219/1545189790108260.jpg
[1545189790376658.jpg]: https://www.itcodemonkey.com/data/upload/portal/20181219/1545189790376658.jpg
[1545189790325507.jpg]: https://www.itcodemonkey.com/data/upload/portal/20181219/1545189790325507.jpg