使用 Docker Swarm 搭建分布式爬虫集群

在爬虫开发过程中，你肯定遇到过需要把爬虫部署在多个服务器上面的情况。此时你是怎么操作的呢？逐一 SSH 登录每个服务器，使用 git 拉下代码，然后运行？代码修改了，于是又要一个服务器一个服务器登录上去依次更新？

有时候爬虫只需要在一个服务器上面运行，有时候需要在 200 个服务器上面运行。你是怎么快速切换的呢？一个服务器一个服务器登录上去开关？或者聪明一点，在 Redis 里面设置一个可以修改的标记，只有标记对应的服务器上面的爬虫运行？

A 爬虫已经在所有服务器上面部署了，现在又做了一个 B 爬虫，你是不是又得依次登录每个服务器再一次部署？

如果你确实是这么做的，那么你应该后悔没有早一点看到这篇文章。看完本文以后，你能够做到：

• 2 分钟内把一个新爬虫部署到 50 台服务器上：

docker build -t localhost:8003/spider:0.01 .
docker push localhost:8002/spider:0.01
docker service create --name spider --replicas 50 --network host 45.77.138.242:8003/spider:0.01

• 30 秒内把爬虫从 50 台服务器扩展到 500 台服务器：

docker service scale spider=500

• 30 秒内批量关闭所有服务器上的爬虫：

docker service scale spider=0

• 1 分钟内批量更新所有机器上的爬虫：

docker build -t localhost:8003/spider:0.02 .
docker push localhost:8003/spider:0.02
docker service update --image 45.77.138.242:8003/spider:0.02 spider

这篇文章不会教你怎么使用 Docker，所以请确定你有一些 Docker 基础再来看本文。

Docker Swarm 是什么

Docker Swarm 是 Docker 自带的一个集群管理模块。他能够实现 Docker 集群的创建和管理。

环境搭建

本文将会使用 3 台 Ubuntu 18.04 的服务器来进行演示。这三台服务器安排如下：

• Master：45.77.138.242
• Slave-1：199.247.30.74
• Slave-2：95.179.143.21

Docker Swarm 是基于 Docker 的模块，所以首先要在 3 台服务器上安装 Docker。安装完成 Docker 以后，所有的操作都在 Docker 中完成。

在 Master 上安装 Docker

通过依次执行下面的命令，在 Master 服务器上安装 Docker

apt-get update
apt-get install -y apt-transport-https ca-certificates curl software-properties-common
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu bionic stable"
apt-get update
apt-get install -y docker-ce

创建 Manager 节点

一个 Docker Swarm 集群需要 Manager 节点。现在初始化 Master 服务器，作为集群的 Manager 节点。运行下面一条命令。

docker swarm init

运行完成以后，可以看到的返回结果下图所示。

这个返回结果中，给出了一条命令：

docker swarm join --token SWMTKN-1-0hqsajb64iynkg8ocp8uruktii5esuo4qiaxmqw2pddnkls9av-dfj7nf1x3vr5qcj4cqiusu4pv 45.77.138.242:2377

这条命令需要在每一个从节点（ Slave ）中执行。现在先把这个命令记录下来。

初始化完成以后，得到一个只有 1 台服务器的 Docker 集群。执行如下命令：

docker node ls

可以看到当前这个集群的状态，如下图所示。

创建私有源（可选）

创建私有源并不是一个必需的操作。之所以需要私有源，是因为项目的 Docker 镜像可能会涉及到公司机密，不能上传到 DockerHub 这种公共平台。如果你的镜像可以公开上传 DockerHub，或者你已经有一个可以用的私有镜像源，那么你可以直接使用它们，跳过本小节和下一小节。

私有源本身也是一个 Docker 的镜像，先将拉取下来：

docker pull registry:latest

如下图所示。

现在启动私有源：

docker run -d -p 8003:5000 --name registry -v /tmp/registry:/tmp/registry docker.io/registry:latest

如下图所示。

在启动命令中，设置了对外开放的端口为 8003 端口，所以私有源的地址为：45.77.138.242:8003

提示: 这样搭建的私有源是 HTTP 方式，并且没有权限验证机制，所以如果对公网开放，你需要再使用防火墙做一下 IP 白名单，从而保证数据的安全。

允许 docker 使用可信任的 http 私有源（可选）

如果你使用上面一个小节的命令搭建了自己的私有源，由于 Docker 默认是不允许使用 HTTP 方式的私有源的，因此你需要配置 Docker，让 Docker 信任它。

使用下面命令配置 Docker：

echo '{ "insecure-registries":["45.77.138.242:8003"] }' >> /etc/docker/daemon.json

然后使用下面这个命令重启 docker。

systemctl restart docker

如下图所示。

重启完成以后，Manager 节点就配置好了。

创建子节点初始化脚本

对于 Slave 服务器来说，只需要做三件事情：

1. 安装 Docker
2. 加入集群
3. 信任源

从此以后，剩下的事情全部交给 Docker Swarm 自己管理，你再也不用 SSH 登录这个服务器了。

为了简化操作，可以写一个 shell 脚本来批量运行。在 Slave-1 和 Slave-2 服务器下创建一个init.sh文件，其内容如下。

apt-get update
apt-get install -y apt-transport-https ca-certificates curl software-properties-common
curl -fsSL https://download.docker.com/linux/ubuntu/gpg | sudo apt-key add -
add-apt-repository "deb [arch=amd64] https://download.docker.com/linux/ubuntu bionic stable"
apt-get update
apt-get install -y docker-ce
echo '{ "insecure-registries":["45.77.138.242:8003"] }' >> /etc/docker/daemon.json
systemctl restart docker 
docker swarm join --token SWMTKN-1-0hqsajb64iynkg8ocp8uruktii5esuo4qiaxmqw2pddnkls9av-dfj7nf1x3vr5qcj4cqiusu4pv 45.77.138.242:2377

把这个文件设置为可自行文件，并运行：

chmod +x init.sh
./init.sh

如下图所示。

等待脚本运行完成以后，你就可以从 Slave-1 和 Slave-2 的 SSH 上面登出了。以后也不需要再进来了。

回到 Master 服务器，执行下面的命令，来确认现在集群已经有 3 个节点了：

docker node ls

看到现在集群中已经有 3 个节点了。如下图所示。

到止为止，最复杂最麻烦的过程已经结束了。剩下的就是体验 Docker Swarm 带来的便利了。

创建测试程序

搭建测试 Redis

由于这里需要模拟一个分布式爬虫的运行效果，所以先使用 Docker 搭建一个临时的 Redis 服务：

在 Master 服务器上执行以下命令：

docker run -d --name redis -p 7891:6379 redis --requirepass "KingnameISHandSome8877"

这个 Redis 对外使用7891端口，密码为KingnameISHandSome8877，IP 就是 Master 服务器的 IP 地址。

编写测试程序

编写一个简单的 Python 程序：

import time
import redis


client = redis.Redis(host='45.77.138.242', port='7891', password='KingnameISHandSome8877')

while True:
    data = client.lpop('example:swarm:spider')
    if not data:
        break
    print(f'我现在获取的数据为：{data.decode()}')
    time.sleep(10)

这个 Python 每 10 秒钟从 Redis 中读取一个数，并打印出来。

编写 Dockerfile

编写 Dockerfile，基于 Python3.6 的镜像创建我们自己的镜像：

from python:3.6
label mantainer='[email protected]'

user root
ENV PYTHONUNBUFFERED=0
ENV PYTHONIOENCODING=utf-8

run python3 -m pip install redis

copy spider.py spider.py
cmd python3 spider.py

构建镜像

编写完成 Dockerfile 以后，执行下面的命令，开始构建我们自己的镜像：

docker build -t localhost:8003/spider:0.01 .

这里需要特别注意，由于我们要把这个镜像上传到私有源供 Slave 服务器上面的从节点下载，所以镜像的命名方式需要满足localhost:8003/自定义名字:版本号这样的格式。其中的自定义名字和版本号可以根据实际情况进行修改。在本文的例子中，我由于要模拟一个爬虫的程序，所以给它取名为 spider，由于是第 1 次构建，所以版本号用的是 0.01 。

整个过程如下图所示。

上传镜像到私有源

镜像构建完成以后，需要把它上传到私有源。此时需要执行命令：

docker push localhost:8003/spider:0.01

如下图所示。

大家记住这个构建和上传的命令，以后每一次更新代码，都需要使用这两条命令。

创建服务

Docker Swarm 上面运行的是一个一个的服务，因此需要使用 docker service 命令创建服务。

docker service create --name spider --network host 45.77.138.242:8003/spider:0.01

这个命令创建了一个名为spider的服务。默认运行 1 个容器。运行情况如下图所示。

当然也可以一创建就用很多容器来运行，此时只需要添加一个--replicas参数即可。例如一创建服务就使用 50 个容器运行：

docker service create --name spider --replicas 50 --network host 45.77.138.242:8003/spider:0.01

但是一般一开始的代码可能会有不少 bug，所以建议先使用 1 个容器来运行，观察日志，发现没有问题以后再进行扩展。

回到默认 1 个容器的情况下，这个容器可能在目前三台机器在的任何一台上面。通过执行下面的命令来观察这一个默认的容器运行情况：

docker service ps spider

如下图所示。

查看节点 Log

根据上图执行结果，可以看到这个运行中的容器的 ID 为rusps0ofwids，那么执行下面的命令动态查看 Log：

docker service logs -f 容器 ID

此时就会持续跟踪这一个容器的 Log。如下图所示。

横向扩展

现在，只有 1 台服务器运行了一个容器，我想使用 3 台服务器运行这个爬虫，那么我需要执行一条命令即可：

docker service scale spider=3

运行效果如下图所示。

此时，再一次查看爬虫的运行情况，可以发现三台机器上面会各自运行一个容器。如下图所示。

现在，我们登录 slave-1 机器上，看看是不是真的有一个任务在运行。如下图所示。

可以看到确实有一个容器在上面运行着。这是 Docker Swarm 自动分配过来的。

现在我们使用下面的命令强行把 slave-1 上面的 Docker 给关了，再来看看效果。

systemctl stop docker

回到 master 服务器，再次查看爬虫的运行效果，如下图所示。

可以看到，Docker Swarm 探测到 Slave-1 掉线以后，他就会自动重新找个机器启动任务，保证始终有 3 个任务在运行。在这一次的例子中，Docker Swarm 自动在 master 机器上启动了 2 个 spider 容器。

如果机器性能比较好，甚至可以在 3 每台机器上面多运行几个容器：

docker service scale spider=10

此时，就会启动 10 个容器来运行这些爬虫。这 10 个爬虫之间互相隔离。

如果想让所有爬虫全部停止怎么办？非常简单，一条命令：

docker service scale spider=0

这样所有爬虫就会全部停止。

同时查看多个容器的日志

如果想同时看所有容器怎么办呢？可以使用如下命令查看所有容器的最新的 20 行日志：

docker service ps robot | grep Running | awk '{print $1}' | xargs -i docker service logs --tail 20 {}

这样，日志就会按顺序显示出来了。如下图所示。

更新爬虫

如果你的代码做了修改。那么你需要更新爬虫。

先修改代码，重新构建，重新提交新的镜像到私有源中。如下图所示。

接下来需要更新服务中的镜像。更新镜像有两种做法。一种是先把所有爬虫关闭，再更新。

docker service scale spider=0
docker service update --image 45.77.138.242:8003/spider:0.02 spider
docker service scale spider=3

第二种是直接执行更新命令。

docker service update --image 45.77.138.242:8003/spider:0.02 spider

他们的区别在于，直接执行更新命令时，正在运行的容器会一个一个更新。

运行效果如下图所示。

你可以用 Docker Swarm 做更多事情

本文使用的是一个模拟爬虫的例子，但是显然，任何可以批量运行的程序都能够用 Docker Swarm 来运行，无论你用 Redis 还是 Celery 来通信，无论你是否需要通信，只要能批量运行，就能用 Docker Swarm。

在同一个 Swarm 集群里面，可以运行多个不同的服务，各个服务之间互不影响。真正做到了搭建一次 Docker Swarm 集群，然后就再也不用管了，以后的所有操作你都只需要在 Manager 节点所在的这个服务器上面运行。

广告时间

本文是多种部署分布式爬虫方法中的一种，其他方法，可以参阅我的新书《 Python 爬虫开发 从入门到实战》。现已在京东、当当、亚马逊上架。

• 京东：https://item.jd.com/12436581.html
• 当当：http://product.m.dangdang.com/25349717.html
• 亚马逊：https://www.amazon.cn/dp/B07HGBRXFW

本书读者交流群也已经开通，扫码添加公众号，回复：读者交流 即可获得加群方式。