[Docker]Docker部署Scrapy-redis分布式爬虫框架实践（整合Selenium+Headless Chrome网页渲染）

柔情只为你懂 2022-03-29 13:41 224阅读 0赞

## 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][https_github.com_joyzoursky_docker-python-chromedriver]

最后完成的Dockerfile文件：

FROM python:3.6
    
    # install google chrome
    RUN wget -q -O - https://dl.google.com/linux/linux_signing_key.pub | apt-key add -
    RUN sh -c 'echo "deb [arch=amd64] http://dl.google.com/linux/chrome/deb/ stable main" >> /etc/apt/sources.list.d/google-chrome.list'
    RUN apt-get -y update
    RUN apt-get install -y google-chrome-stable
    
    # install chromedriver
    RUN apt-get install -yqq unzip
    RUN wget -O /tmp/chromedriver.zip http://chromedriver.storage.googleapis.com/`curl -sS chromedriver.storage.googleapis.com/LATEST_RELEASE`/chromedriver_linux64.zip
    RUN unzip /tmp/chromedriver.zip chromedriver -d /usr/local/bin/
    
    # set display port to avoid crash
    ENV DISPLAY=:99
    
    # copy pm_scrapy
    WORKDIR /usr/src/app
    COPY . .
    
    # install requirements
    RUN pip install -r requirements.txt
    
    CMD 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：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxeHg2NjYx_size_16_color_FFFFFF_t_70]

使用命令，生成镜像：

sudo docker image build -t pm_scrapy .

REPOSITORY          TAG                 IMAGE ID            CREATED             SIZE
    pm_scrapy           latest              082e7e350831        47 hours ago        1.41 GB
    proxy_pool          latest              83a95913162b        6 days ago          1.01 GB
    python              3.6                 749d36d00e00        10 days ago         921 MB
    redis               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：

docker 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

![在这里插入图片描述][20190108200853463.png]

接着运行并连接容器：

sudo 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：

docker 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

docker network ls

![在这里插入图片描述][20190108201156649.png]

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）：

docker 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

参考：

> [https://blog.csdn.net/hanchaobiao/article/details/81911587][https_blog.csdn.net_hanchaobiao_article_details_81911587]  
> [https://www.jianshu.com/p/21d66ca6115e][https_www.jianshu.com_p_21d66ca6115e]

### 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：

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

这是我的代码截图：

![在这里插入图片描述][watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxeHg2NjYx_size_16_color_FFFFFF_t_70 1]

参考：

> [https://stackoverflow.com/questions/50642308/org-openqa-selenium-webdriverexception-unknown-error-devtoolsactiveport-file-d/50642913\#50642913][https_stackoverflow.com_questions_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

**同步更新以下几大博客：**

*  Csdn：

[http://blog.csdn.net/qqxx6661][http_blog.csdn.net_qqxx6661]

拥有专栏：Leetcode题解（Java/Python）、Python爬虫开发

*  知乎：

[https://www.zhihu.com/people/yang-zhen-dong-1/][https_www.zhihu.com_people_yang-zhen-dong-1]

拥有专栏：码农面试助攻手册

*  掘金：

[https://juejin.im/user/5b48015ce51d45191462ba55][https_juejin.im_user_5b48015ce51d45191462ba55]

*  简书：

[https://www.jianshu.com/u/b5f225ca2376][https_www.jianshu.com_u_b5f225ca2376]

*  个人公众号：Rude3Knife

![在这里插入图片描述][20190108201638256.png]

[https_github.com_joyzoursky_docker-python-chromedriver]: https://github.com/joyzoursky/docker-python-chromedriver
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxeHg2NjYx_size_16_color_FFFFFF_t_70]: /images/20220329/51424ba3b66e417f9191ba887f34dee5.png
[20190108200853463.png]: /images/20220329/97f44d420f0d448b9fdc348e18d7f173.png
[20190108201156649.png]: /images/20220329/e9eceb8cb5864b9fb0269ee43dc4d52e.png
[https_blog.csdn.net_hanchaobiao_article_details_81911587]: https://blog.csdn.net/hanchaobiao/article/details/81911587
[https_www.jianshu.com_p_21d66ca6115e]: https://www.jianshu.com/p/21d66ca6115e
[watermark_type_ZmFuZ3poZW5naGVpdGk_shadow_10_text_aHR0cHM6Ly9ibG9nLmNzZG4ubmV0L3FxeHg2NjYx_size_16_color_FFFFFF_t_70 1]: /images/20220329/bc7686ed054247a09d217a2dac3bc45b.png
[https_stackoverflow.com_questions_50642308_org-openqa-selenium-webdriverexception-unknown-error-devtoolsactiveport-file-d_50642913_50642913]: https://stackoverflow.com/questions/50642308/org-openqa-selenium-webdriverexception-unknown-error-devtoolsactiveport-file-d/50642913#50642913
[http_blog.csdn.net_qqxx6661]: http://blog.csdn.net/qqxx6661
[https_www.zhihu.com_people_yang-zhen-dong-1]: https://www.zhihu.com/people/yang-zhen-dong-1/
[https_juejin.im_user_5b48015ce51d45191462ba55]: https://juejin.im/user/5b48015ce51d45191462ba55
[https_www.jianshu.com_u_b5f225ca2376]: https://www.jianshu.com/u/b5f225ca2376
[20190108201638256.png]: /images/20220329/61f92f92a6ab457392b08745dcf46f9c.png