在 Celery 任务中运行 Scrapy 蜘蛛

Posted 2023-02-24

【中文标题】在 Celery 任务中运行 Scrapy 蜘蛛

【英文标题】：Running Scrapy spiders in a Celery task

【发布时间】：2012-07-16 17:49:37

【问题描述】：

我有一个 Django 站点，当用户请求它时会发生抓取，我的代码会在新进程中启动一个 Scrapy spider 独立脚本。当然，这不适用于用户的增加。

类似这样的：

class StandAloneSpider(Spider):
    #a regular spider

settings.overrides['LOG_ENABLED'] = True
#more settings can be changed...

crawler = CrawlerProcess( settings )
crawler.install()
crawler.configure()

spider = StandAloneSpider()

crawler.crawl( spider )
crawler.start()

我决定使用 Celery 并使用 worker 来排队抓取请求。

但是，我遇到了 Tornado 反应堆无法重新启动的问题。第一个和第二个蜘蛛运行成功，但是后续的蜘蛛会抛出 ReactorNotRestartable 错误。

任何人都可以分享在 Celery 框架中运行 Spider 的任何技巧吗？

【参考方案1】：

好的，这就是我如何让 Scrapy 与我的 Django 项目一起工作，该项目使用 Celery 对要抓取的内容进行排队。实际的解决方法主要来自 joehillen 的代码，位于 http://snippets.scrapy.org/snippets/13/

首先是tasks.py 文件

from celery import task

@task()
def crawl_domain(domain_pk):
    from crawl import domain_crawl
    return domain_crawl(domain_pk)

然后是crawl.py 文件

from multiprocessing import Process
from scrapy.crawler import CrawlerProcess
from scrapy.conf import settings
from spider import DomainSpider
from models import Domain

class DomainCrawlerScript():

    def __init__(self):
        self.crawler = CrawlerProcess(settings)
        self.crawler.install()
        self.crawler.configure()

    def _crawl(self, domain_pk):
        domain = Domain.objects.get(
            pk = domain_pk,
        )
        urls = []
        for page in domain.pages.all():
            urls.append(page.url())
        self.crawler.crawl(DomainSpider(urls))
        self.crawler.start()
        self.crawler.stop()

    def crawl(self, domain_pk):
        p = Process(target=self._crawl, args=[domain_pk])
        p.start()
        p.join()

crawler = DomainCrawlerScript()

def domain_crawl(domain_pk):
    crawler.crawl(domain_pk)

这里的技巧是“从多处理导入过程”，它解决了 Twisted 框架中的“ReactorNotRestartable”问题。所以基本上 Celery 任务调用“domain_crawl”函数，它一遍又一遍地重用“DomainCrawlerScript”对象来与你的 Scrapy 蜘蛛交互。 （我知道我的示例有点多余，但我在设置多个版本的 python 时这样做是有原因的 [我的 django 网络服务器实际上使用的是 python2.4，而我的工作服务器使用的是 python2.7]）

在我的示例中，“DomainSpider”只是一个经过修改的 Scrapy Spider，它接受一个 url 列表，然后将它们设置为“start_urls”。

希望这会有所帮助！

【讨论】：

你使用 Postgresql 吗？我从 celery 收到了最奇怪的“InterfaceError: connection already closed”。

是的，我正在使用 postgresql，如果您想提供错误，我可以尝试帮助您弄清楚，我确实有一个听起来相似的错误，但我不记得它到底是什么或什么我做到了。 （我目前正在将 11,077,910 个项目加载到我的队列中，并且我有 5 台工作机器从中拉出，所以这个设置确实有效）

我发现了问题，这与将结果存储在 postgres 中有关。我认为是以下票：github.com/celery/django-celery/issues/121 我正在使用的解决方法是设置 CELERY_RESULT_BACKEND。你遇到过吗？

是的，你可能是对的，最新版本的 celery 太棒了，所以当我重写这个项目以使用最新版本时，我也会告诉你如何解决这个问题

@byoungb 我也有同样的问题。这个解决方案是否仍然适用于scrapy 1.0？您发布的链接现在已损坏。

【参考方案2】：

我在设置文件中将CELERYD_MAX_TASKS_PER_CHILD 设置为 1，这样就解决了这个问题。每次蜘蛛运行后，worker 守护进程都会启动一个新进程，该进程负责处理反应器。

【讨论】：

这是一个聪明的主意，不确定 celery 一直在重新启动任务有多少开销。但这是有道理的。所以是的，对于未来的用户，您可能想尝试一下。

这些设置在最近的 celery 版本中被重命名。您也可以使用此标志从命令行应用它：--max-tasks-per-child 1

当前 Celery 版本 4.3.0 的设置名称是 WORKER_MAX_TASKS_PER_CHILD。参见文档：docs.celeryproject.org/en/latest/userguide/configuration.html & docs.celeryproject.org/en/latest/userguide/…