CrawlerMonitor

Introduction

  本项目在 Celery 分布式爬虫的基础上构建监控方案 Demo，在编写 Statsd + InfluxDB 方案代码进行调研过程中，转向了 Prometheus 的怀抱 ，使用 Grafana 对监控序列进行可视化，爬虫部分目前只完成对下载和解析进行简单解耦，反爬部分和代码结构优化等后续会陆续进行完善。

QuickStart

  本项目环境为 Ubuntu 16.04 LTS 以及使用 Python 3.6.5 (Anaconda), 安装执行流程默认适配上述环境，具体各部分安装配置请移步 快速安装，其中包括 RabbitMQ、MongoDB、Python 相关库、 Celery (推荐使用 4.1.1 版本)、Prometheus、Grafana 等安装配置，操作启动控制请参考 快速启动，可分为手动启动和后台运行。后续会考虑 docker 容器化。启动三个实例 worker 跑了几分钟，从 MongoDB 导出的几千条 Json 数据 此处 。

FlowChart

  简单画个流程图：

<img src="https://drive.google.com/uc?export=view&id=1GO8Pdn77eM73cuiODSVpwIZ5T0gC0wFr" width = "650" height = "400" alt="sentence_model" align=center />

Metrics

  通过调研发现，在statsd 和 prometheus 的客户端均有对 metrics 的实现，后者在类型上支持较为丰富一点，这里使用 prometheus metrics 在 task 和 worker 层面设计监控指标，其设计如下表，并采用 worker，task，results 三个主要标签维度进行合理划分，各个类型 metric 的定义和使用详细可见 Prometheus官网 以及对应的 Python 客户端。

|Type|Name|Worker|Task|Results| |:--:|:---|:----:|:--:|:-----:| |Gauge|workers_state|√||| |Counter|workers_processed|√||| |Gauge|workers_active|√||| |Counter|tasks_counter|√|√|√| |Summary|tasks_runtime|√|√|| |Info|tasks_info|√|√|√|

  这里只涉及任务和工作单元层面，爬虫异常层面仍需进一步设计指标

ScreenShot

  Grafana 监控界面 Dashboard 模板

<img src="https://drive.google.com/uc?export=view&id=18DeLCoc08Gws6hPjOfpCTTALIiS6QC2B" width = "500" height = "300" alt="sentence_model" align=center />

  获取 Dashboard 模板: 直接在 Grafana 里 import 粘贴 https://grafana.com/grafana/dashboards/9970-celery-metrics/ 即可。

TODO-LIST

  TODO-LIST 留给自己。