scrapy数据收集器数据远程获取

scrapy的数据收集器可以实时记录爬虫状态数据，默认在爬虫结束是打印：

C:\Anaconda2\Lib\site-packages\scrapy\statscollectors.py
class StatsCollector(object):

    def __init__(self, crawler):
        self._dump = crawler.settings.getbool('STATS_DUMP')
        self._stats = {}

    ......

    def close_spider(self, spider, reason):
        if self._dump:
            logger.info("Dumping Scrapy stats:\n" + pprint.pformat(self._stats),
                        extra={'spider': spider})
        self._persist_stats(self._stats, spider)

    def _persist_stats(self, stats, spider):
        pass

上面是数据收集器的源码，可以看到在close_spider中会将self._stats打印出来，默认收集的信息如下。

结束时：
{'downloader/request_bytes': 20646,
 'downloader/request_count': 47,
 'downloader/request_method_count/POST': 47,
 'downloader/response_bytes': 673679,
 'downloader/response_count': 47,
 'downloader/response_status_count/200': 47,
 'finish_reason': 'shutdown',
 'finish_time': datetime.datetime(2018, 7, 24, 6, 31, 1, 84791),
 'item_scraped_count': 460,
 'log_count/CRITICAL': 4,
 'log_count/DEBUG': 510,
 'log_count/ERROR': 1,
 'log_count/INFO': 74,
 'login_faild': False,
 'request_depth_max': 46,
 'response_received_count': 47,
 'scheduler/dequeued': 47,
 'scheduler/dequeued/memory': 47,
 'scheduler/enqueued': 48,
 'scheduler/enqueued/memory': 48,
 'spider_exceptions/KeyError': 1,
 'start_time': datetime.datetime(2018, 7, 24, 6, 12, 27, 74073)}

结束时会有finish_reason,finish_time两个值，在运行时没有。

数据收集器允许添加开发者收集自定义数据：

在spider中：

self.crawler.stats.set_value("login_faild", False)

在Middleware和Pipeline中：

spider.crawler.stats.set_value("login_faild", False)

进入正题如何远程获取收集器中的数据

第一种：保存后获取，在downloadMiddleware中将状态信息写入redis中，在读取：

import redis
import time
import requests


class StatCollectorMiddleware(object):
    def __init__(self):
        self.r = redis.Redis(host='localhost', port=6379, db=0)
        self.time = lambda: time.strftime('%Y-%m-%d %H:%M:%S')

    def process_request(self, request, spider):
        stats = spider.crawler.stats.get_stats()
        for key, value in stats.items():
            value = {"value": [self.time(), key_value]}
            self.insert2redis(key, value)

    def insert2redis(self, key, value):
        self.r.rpush(key, value)

第二种：使用Telnet Console获取，首先配置setting，允许外网访问，记得开启6023端口，

TELNETCONSOLE_HOST = '0.0.0.0'
TELNETCONSOLE_PORT = [6023, 6073]

默认配置

TELNETCONSOLE_HOST = '127.0.0.1'
TELNETCONSOLE_PORT = [6023, 6073]

然后使用

import telnetlib
tn = telnetlib.Telnet('192.168.2.89', port=6023, timeout=10)
tn.write('stats.get_stats()'+'\n')
tn.read_very_eager()

结果：

In [1]: import telnetlib

In [2]: tn = telnetlib.Telnet('192.168.2.89', port=6023, timeout=10)

In [3]: tn.write('stats.get_stats()'+'\n')

In [4]: stat = tn.read_very_eager() 

In [5]: print stat

>>> stats.get_stats() 
{'log_count/INFO': 45, 'start_time': datetime.datetime(2018, 7, 24, 6, 49, 26, 572021), 'log_count/DEBUG': 394, 'login_faild': False, 'sched uler/enqueued/memory': 37, 'scheduler/enqueued': 37, 'scheduler/dequeued/memory': 37, 'scheduler/dequeued': 37, 'downloader/request_count':  37, 'downloader/request_method_count/POST': 37, 'downloader/request_bytes': 16286, 'downloader/response_count': 37, 'downloader/response_sta tus_count/200': 37, 'downloader/response_bytes': 531739, 'response_received_count': 37, 'item_scraped_count': 354, 'request_depth_max': 35,  'log_count/ERROR': 1, 'spider_exceptions/KeyError': 1, 'log_count/CRITICAL': 4} 
>>>

当有多个爬虫时可以将端口配置在spider中，避免冲突：

custom_settings = {
    "TELNETCONSOLE_PORT": [6029, ]
}

这样就可以在远程获取状态信息了，虽然是在局域网测试，但是外网同样可以。

scrapy数据收集器数据远程获取

猜你喜欢