Python爬虫监控程序设计思路

华科云商xiao徐
89 阅读4分钟

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）

a2.png

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, Histogram
​
class SpiderMonitor:
    def __init__(self, spider_name):
        self.spider_name = spider_name
        self.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)  # MB
    
    def 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 SpiderMonitor
​
class 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 items
        
        except 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 MIMEText
​
def 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 False
​
def 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 = 0
    
    while True:
        if not check_heartbeat(spider_name):
            consecutive_failures += 1
            if consecutive_failures >= 3:
                send_alert("Spider Down", 
                          f"{spider_name} has been inactive for 45+ minutes")
        else:
            consecutive_failures = 0
        
        time.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_alerts
  rules:
  - alert: HighFailureRate
    expr: rate(my_spider_requests_failed[5m]) / rate(my_spider_requests_total[5m]) > 0.1
    for: 10m
    labels:
      severity: critical
    annotations:
      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。

avatar
文章
阅读
粉丝