python - library - scrapy ruby

Escalar horizontalmente Scrapyd

Question

¿Qué herramienta o conjunto de herramientas usaría para escalar horizontalmente scrapyd agregando nuevas máquinas a un clúster scrapyd dinámicamente y teniendo N instancias por máquina si es necesario? No es necesario que todas las instancias compartan una cola de trabajos común, pero sería increíble.

Scrapy-cluster parece prometedor para el trabajo, pero quiero una solución basada en Scrapyd, así que escucho otras alternativas y sugerencias.

Answer 1

Ordené mi propio equilibrador de carga para Scrapyd utilizando su API y un contenedor .

from random import shuffle
from scrapyd_api.wrapper import ScrapydAPI

class JobLoadBalancer(object):

    @classmethod
    def get_less_occupied(
            cls,
            servers_urls=settings.SERVERS_URLS,
            project=settings.DEFAULT_PROJECT,
            acceptable=settings.ACCEPTABLE_PENDING):

        free_runner = {''num_jobs'': 9999, ''client'': None}
        # shuffle servers optimization
        shuffle(servers_urls)
        for url in servers_urls:
            scrapyd = ScrapydAPI(target=url)
            jobs = scrapyd.list_jobs(project)
            num_jobs = len(jobs[''pending''])

            if free_runner[''num_jobs''] > num_jobs:
                free_runner[''num_jobs''] = num_jobs
                free_runner[''client''] = scrapyd
            # Optimization: if found acceptable pending operations in one server stop looking for another one
            if free_runner[''client''] and free_runner[''num_jobs''] <= acceptable:
                break

        return free_runner[''client'']

Prueba de unidad:

def setUp(self):
        super(TestFactory, self).setUp()
        # Make sure this servers are running
        settings.SERVERS_URLS = [
            ''http://localhost:6800'',
            ''http://localhost:6900''
        ]
        self.project = ''dummy''
        self.spider = ''dummy_spider''
        self.acceptable = 0

    def test_get_less_occupied(self):
        # add new dummy jobs to first server so that choose the second one
        scrapyd = ScrapydAPI(target=settings.SERVERS_URLS[0])
        scrapyd.schedule(project=self.project, spider=self.spider)
        scrapyd.schedule(project=self.project, spider=self.spider)
        second_server_url = settings.SERVERS_URLS[1]
        scrapyd = JobLoadBalancer.get_less_occupied(
            servers_urls=settings.SERVERS_URLS,
            project=self.project,
            acceptable=self.acceptable)
        self.assertEqual(scrapyd.target, second_server_url)

Este código se dirige a una versión anterior de scrapyd tal como fue escrita hace más de un año.