Горизонтальное масштабирование Scrapyd

Question

Какой инструмент или набор инструментов вы бы использовали для горизонтального масштабирования scrapyd, динамически добавляя новые машины в кластер scrapyd и имея при необходимости N экземпляров на машину. Не обязательно для всех экземпляров использовать общую очередь заданий, но это было бы здорово.

Scrapy-cluster кажется многообещающим для этой работы, но мне нужно решение на основе Scrapyd, поэтому я слушаю другие альтернативы и предложения.

Answer 1

Я написал свой собственный балансировщик нагрузки для Scrapyd, используя его API и оболочку.

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']

Модульный тест:

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)

Этот код предназначен для более старой версии scrapyd, как он был написан более года назад.