当前位置: 首页 > news >正文

Python爬虫监控程序设计思路

最近因为爬虫程序太多,想要为Python爬虫设计一个监控程序,主要功能包括一下几种:

1、监控爬虫的运行状态(是否在运行、运行时间等)

2、监控爬虫的性能(如请求频率、响应时间、错误率等)

3、资源使用情况(CPU、内存、网络等)

4、异常捕获与告警(当爬虫出现异常时能够及时通知)

在这里插入图片描述

要为Python爬虫创建一个监控程序,根据上面思路我们可以按照以下步骤实现,涵盖运行状态、性能指标、异常告警和可视化:

核心监控功能设计

  1. 运行状态监控

    • 心跳检测:定期记录爬虫存活状态
    • 进程检查:验证爬虫进程是否运行中
  2. 性能指标监控

    • 请求统计:成功/失败请求计数
    • 数据处理:已抓取/解析的项目数
    • 资源使用:CPU/内存占用
    • 时效指标:请求响应时间、运行时长
  3. 异常告警

    • 错误捕获:网络异常、解析失败等
    • 阈值告警:连续失败/资源超限
    • 通知渠道:邮件/Slack/钉钉
  4. 数据持久化

    • 存储日志:运行日志和错误日志
    • 记录指标:时间序列数据库存储

实现方案代码示例

1. 基础监控类 (monitor.py)
import time
import logging
import psutil
from prometheus_client import start_http_server, Counter, Gauge, Histogramclass SpiderMonitor:def __init__(self, spider_name):self.spider_name = spider_nameself.start_time = time.time()# 初始化监控指标self.requests_total = Counter(f'{spider_name}_requests_total', 'Total requests')self.requests_failed = Counter(f'{spider_name}_requests_failed', 'Failed requests')self.items_scraped = Counter(f'{spider_name}_items_scraped', 'Items scraped')self.memory_usage = Gauge(f'{spider_name}_memory_usage', 'Memory usage (MB)')self.request_latency = Histogram(f'{spider_name}_request_latency', 'Request latency (seconds)')# 启动指标服务器start_http_server(8000)logging.basicConfig(filename=f'{spider_name}.log', level=logging.INFO)def record_request(self, success=True, latency=0):self.requests_total.inc()if not success:self.requests_failed.inc()if latency > 0:self.request_latency.observe(latency)def record_item(self, count=1):self.items_scraped.inc(count)def update_resources(self):process = psutil.Process()self.memory_usage.set(process.memory_info().rss / 1024 / 1024)  # MBdef log_error(self, error):logging.error(f"[{time.ctime()}] ERROR: {error}")def uptime(self):return time.time() - self.start_time
2. 爬虫集成示例 (my_spider.py)
import requests
from monitor import SpiderMonitorclass MySpider:def __init__(self):self.monitor = SpiderMonitor("my_spider")self.session = requests.Session()def crawl(self, url):start = time.time()try:response = self.session.get(url, timeout=10)response.raise_for_status()# 处理数据items = self.parse(response)self.monitor.record_item(len(items))self.monitor.record_request(success=True, latency=time.time()-start)return itemsexcept Exception as e:self.monitor.record_request(success=False)self.monitor.log_error(f"URL: {url} - Error: {str(e)}")return []def parse(self, response):# 解析逻辑return [{"data": "sample"}]def run(self):while True:self.crawl("https://example.com/data")self.monitor.update_resources()time.sleep(5)if __name__ == "__main__":spider = MySpider()spider.run()
3. 独立监控进程 (monitor_daemon.py)
import time
import subprocess
import smtplib
from email.mime.text import MIMETextdef check_heartbeat(spider_name):"""检查最近15分钟是否有活动日志"""try:with open(f"{spider_name}.log") as f:logs = f.readlines()[-100:]return any(time.time() - get_log_time(line) < 900 for line in logs)except FileNotFoundError:return Falsedef get_log_time(log_line):# 从日志行提取时间戳timestamp_str = log_line.split("]")[0][1:]return time.mktime(time.strptime(timestamp_str))def send_alert(subject, message):"""发送邮件告警"""msg = MIMEText(message)msg['Subject'] = f"[SPIDER ALERT] {subject}"msg['From'] = 'monitor@example.com'msg['To'] = 'admin@example.com'with smtplib.SMTP('smtp.example.com') as server:server.send_message(msg)def monitor_daemon():spider_name = "my_spider"consecutive_failures = 0while True:if not check_heartbeat(spider_name):consecutive_failures += 1if consecutive_failures >= 3:send_alert("Spider Down", f"{spider_name} has been inactive for 45+ minutes")else:consecutive_failures = 0time.sleep(300)  # 每5分钟检查一次if __name__ == "__main__":monitor_daemon()

监控系统部署方案

  1. 指标可视化

    • 使用Prometheus收集指标(默认端口8000)
    • 配置Grafana仪表盘展示:
      • 请求成功率 = (1 - requests_failed/requests_total) * 100
      • 内存使用趋势图
      • 最近1小时错误日志
  2. 告警配置

    # Prometheus alert.rules
    groups:
    - name: spider_alertsrules:- alert: HighFailureRateexpr: rate(my_spider_requests_failed[5m]) / rate(my_spider_requests_total[5m]) > 0.1for: 10mlabels:severity: criticalannotations:description: "超过10%的请求失败"
    
  3. 进程管理

    • 使用Supervisor管理进程:
    [program:my_spider]
    command=python /path/to/my_spider.py
    autostart=true
    autorestart=true
    stderr_logfile=/var/log/spider.err.log
    

高级功能扩展

  1. 分布式监控

    • 使用Redis共享监控数据:
    import redis
    r = redis.Redis()
    r.incr('global_requests_count')
    
  2. 网页状态面板

    # 添加Flask状态页
    from flask import Flask
    app = Flask(__name__   
    @app.route('/status')
    def status():return {"uptime": monitor.uptime(),"items": monitor.items_scraped._value.get()}
    
  3. 云服务集成

    • 错误跟踪:Sentry
    • 日志管理:ELK Stack
    • 云监控:Datadog/Prometheus Cloud

监控仪表盘示例 (Grafana)

  1. 核心面板

    • 请求成功率 (百分比)
    • 每分钟请求量
    • 内存/CPU使用曲线
    • 最近错误列表
  2. 报警阈值

    • 成功率 < 95% (警告)
    • 内存 > 500MB (警告)
    • 1小时无活动 (严重)

这种监控方案提供实时性能跟踪、自动告警和可视化展示,能有效提升爬虫的稳定性和可维护性。最终我们可根据实际需求调整监控粒度和告警阈值。如有任何疑问可以留言讨论。

http://www.lqws.cn/news/88147.html

相关文章:

  • Nginx+Tomcat 负载均衡群集
  • Nginx+Tomcat负载均衡
  • 高效图像处理:使用 Pillow 进行格式转换与优化
  • 【C++项目】负载均衡在线OJ系统-1
  • 黑马Java面试笔记之 消息中间件篇(Kafka)
  • Flink 重启后事件被重复消费的原因与解决方案
  • Kafka 的优势是什么?
  • 云原生时代 Kafka 深度实践:06原理剖析与源码解读
  • AI“实体化”革命:具身智能如何重构体育、工业与未来生活
  • 三、kafka消费的全流程
  • # [特殊字符] Unity UI 性能优化终极指南 — LayoutGroup篇
  • Kafka 和Redis 在系统架构中的位置
  • 【ISAQB大纲解读】Kafka消息总线被视为“自下而上设计”?
  • 云原生时代 Kafka 深度实践:05性能调优与场景实战
  • 打卡第35天:GPU训练以及类的Call方法
  • 使用Composer创建公共类库
  • 工厂模式与多态结合
  • Rhino插件大全下载指南:解锁犀牛潜能,提升设计效率
  • llama.cpp:纯 C/C++ 实现的大语言模型推理引擎详解一
  • Spring AOP:面向切面编程 详解代理模式
  • JavaSec | SpringAOP 链学习分析
  • 【 java 集合知识 第一篇 】
  • 网络攻防技术七:计算机木马
  • git管理
  • Linux 环境下高效视频切帧的实用指南
  • ES6 Promise 状态机
  • 在linux系统上搭建git服务器(ssh协议)
  • k8s的出现解决了java并发编程胡问题了
  • sudo docker exec -it backend bash 以交互方式(interactive)进入正在运行的 Docker 容器的命令行环境
  • 【leetcode】20. 有效的括号