爬虫管理平台 Crawlab 新功能介绍 - 用 Git 做 CI/CD

[tikazyq]

前言

相信爬虫（网络爬虫）是开发者们耳熟能详的数据采集技术。其中基于 Python Twisted 异步框架的 Scrapy，是灵活且强大的爬虫框架。而 Scrapyd 是 Scrapy 默认的爬虫管理服务，能够简单的执行、监控爬虫任务，除此之外，Scrapyd 还支持爬虫版本管理功能。后来基于 Scrapyd 的爬虫平台如雨后春笋般涌现出来，前有 SpiderKeeper，后有 Scrapydweb、Gerapy，都是比较优秀的开源爬虫管理平台，但它们都有个共同的问题，就是不能运行 Scrapy 以外的爬虫，导致灵活性不高。去年 3 月开源的分布式爬虫管理平台 Crawlab 就解决了这个问题，主要是通过支持 shell 命令来运行爬虫，因此理论上可以运行任何爬虫。本篇文章将介绍 Crawlab 的新发布功能：Git 集成。这将有效的将爬虫管理很好的集成到 DevOps CI/CD 工作流中。

Crawlab 简介

Crawlab 非常全面，有精美的界面和强大的功能，但有一个缺点，就是无法有效进行爬虫的版本控制。因此，在新版本发布之前，Crawlab 一直无法很好的将爬虫管理集成到 DevOps 工作流中。如果对 DevOps 不了解，可以参考《用开源软件打造企业级 DevOps 工作流（一）：概述》这篇文章。在 v0.4.7 版本中，Crawlab 加入了 Git 功能，支持简单的从 Git 仓库同步代码的功能；在 v0.4.8 版本中，Crawlab 又加入了 Log 功能，支持查看 提交（ Commits ）、分支（ Branches ）和标签（ Tags ），并且可以将当前工作树（ Work-Tree ）切换（ Checkout ）到任意的 Commit 中。Git 是非常强大的版本控制系统（ VCS ），我们在《用开源软件打造企业级 DevOps 工作流（二）：版本控制》这篇文章中着重介绍了 Git 的功能和用途。而 Crawlab 集成了 Git 做版本控制，这比 Scrapyd 单纯做版本控制要灵活和强大。

当然，Crawlab 不仅仅单纯做版本控制，其核心功能是爬虫管理。如果对 Crawlab 不了解的开发者可以查看 Github 主页 和 官方文档。

Git 集成原理

在开发 Crawlab 的过程中，我们收集了非常多的反馈。其中一个比较常见的问题就是“能否集成 Git”到 Crawlab 中。这其实很自然，因为我们可以根据这个需求了解到不少爬虫工程师是用 Git 来做版本管理的，这个开发习惯很好，减少了很多因为人为因素导致的管理成本，包括花大量时间回溯代码、环境隔离等等。因此，我们在最新的 2 个版本中开发了 Git 功能，包括 Git 的代码获取和版本切换，这些都让爬虫的版本管理变得轻松。

下图是 Crawlab 的 Git 集成原理示意图。

从上图可以看到，集成的步骤如下：

1. 主节点（ Master Node ）从远端 Git 仓库（ Remote Git Repository ）同步代码到本地仓库（ Local Git Repository ）；
2. 主节点将本地仓库的打败打包上传到 MongoDB GridFS ；
3. 工作节点（ Worker Nodes ）通过 MongoDB GridFS 同步代码到本地；
4. 如果用户希望切换（ Checkout ）到某一个版本或提交（ Commit ），只需要执行 Checkout 操作，让主节点将 Work-Tree 指向到目标 Commit，然后主节点重复步骤 2-3 来完成爬虫代码同步。

Git 集成使用

下面简单介绍一下 Crawlab 的 Git 集成方法。我们只需要在界面上就可以完成操作。

打开 Git 属性

首先，我们需要配置 Git 的信息。创建一个 Git 爬虫或打开爬虫的 Git 属性。

配置 Git 信息

开启 Git 之后，您可以在爬虫详情中看到 “Git 设置” 标签，点开的界面如下图。

Crawlab 的 Git 同步是同时支持 HTTP 和 SSH 的。

如果您是 HTTP，您可以这样操作：

1. 将仓库地址填写在 Git URL 输入框；
2. 然后点开 需要验证，并填写验证信息；
3. 选择 Git 分支 ；
4. 点击 保存 按钮。

如果您是 SSH，您可以这样操作：

1. 点击 复制 按钮，将 SSH 公钥 加入到 Git 服务（您可以网上搜索一下如何在 Git 服务中添加 SSH 公钥）；
2. 将仓库地址填写在 Git URL 输入框；
3. 选择 Git 分支 ；
4. 点击 保存 按钮。

自动同步

如果您需要自动同步，您可以打开 “自动同步” 开关，然后选择同步频率。这样，Git 上的爬虫代码一旦有更新，Crawlab 就会按照同步频率自动将其同步回来。

手动同步

点击红色的 “同步” 按钮并确认，即可手动同步 Git 仓库的爬虫代码。

重置

有时候您需要重置代码，也就是清除该仓库的所有代码，只需要点击 “重置” 按钮并确认。

查看版本

在 Log 标签中，您可以看到所有的 Commits，以及其对应的分支（ Branches ）和版本（ Tags ），以及谁提交的代码，如下图所示。

切换版本

同样是在 Log 标签，您可以看到每一个提交（ Commit ）右下方有一个红色的 Checkout 按钮，点击它即可将爬虫代码切换到该版本。

总结

本文从 Scrapy、Scrapyd 开始，论述了在爬虫管理中集成版本控制系统、引入 DevOps 工作流的重要性。同时，也介绍了强大而灵活的分布式爬虫管理平台 Crawlab。进一步，我们还介绍了 Crawlab 的新特性，即集成 Git 到 CI/CD 工作流，包括其原理和如何使用。相信做过大型项目的开发者对版本控制有着极高的需求。这同样适用于爬虫开发，因为爬虫很多时候会因为各种各样的原因（例如网站样式改变）而需要进行变更，如果将版本控制应用在爬虫管理中，将会很大程度提高爬虫应用的质量和可维护性。同时，如果您在 Crawlab 的 Git 设置中打开了自动同步功能，Crawlab 就不需要手动上传代码，它会自动从 Git 仓库获取代码，是不是很省时间和精力？因此，我推荐每一个爬虫开发工程师都将 Git 版本管理应用在自己的爬虫应用中。

项目地址

• Github: https://github.com/crawlab-team/crawlab
• Demo: http://crawlab.cn/demo
• 文档: http://docs.crawlab.cn

社区

如果您觉得 Crawlab 对您的日常开发或公司有帮助，请加作者微信 tikazyq1 并注明 "Crawlab"，作者会将你拉入群。欢迎在 Github 上进行 star，以及，如果遇到任何问题，请随时在 Github 上提 issue。另外，欢迎您对 Crawlab 做开发贡献。