Cola

Cola是一个分布式的爬虫框架，用户只需编写几个特定的函数，而无需关注分布式运行的细节。任务会自动分配到多台机器上，整个过程对用户是透明的。

依赖

首先，确保Python版本为2.6或者2.7（未来会支持3+）。由于Cola配置文件使用的yaml，所以Cola只依赖于pyyaml，安装easy_install或者pip工具后，则可以：

pip install pyyaml

安装

下载或者用git clone源码，假设在目录/to/pth/cola，将该路径添加到Python path中。

一种简单的方法是在site-packages中添加pth文件。site-packages因系统而异，如果是windows，假设python装在C:\python27，那么就是C:\python27\Lib\site-packages；如果是linux，那么应该是/usr/local/lib/pythonX.X/dist-packages。

在site-packages下新建一个cola.pth文件，里面写上路径：/to/path/cola。

运行

Cola集群需要一个master和若干个worker，对于每台机器，只能启动一个worker。但是，集群不是必须的，在单机模式下亦可以运行。

Cola目前自带了若干个爬虫，在项目根目录下的contrib中。

下面就wiki为例，分别说明如何在单机和分布式环境下运行。

依赖

无论是维基百科还是新浪微博的实现，数据都存放在MongoDB中，所以要确保MongoDB的安装。

在wiki下的wiki.yaml和weibo下的weibo.yaml中可以配置MongoDB的主机和端口。

维基百科和新浪微博实现依赖于下面的几个包：

• mechanize

• python-dateutil

• BeautifulSoup4

• mongoengine

• rsa（仅新浪微博需要）

可以使用pip或者easy_install来安装。

单机模式

单机模式非常简单，只需运行contrib/wiki/__init__.py即可。

cd /to/path/cola/contrib/wiki
python __init__.py

要运行新浪微博的爬虫，需要在weibo.yaml中配置登录的用户名和密码。这里要注意，要保证这个用户名和密码在登录时不需要验证码。

停止则需运行stop.py，注意不能通过直接杀死进程来停止，否则会导致cola非法关闭。如果非法关闭，确保cola不在运行的情况下，则可以运行stop.py来恢复。但无论如何，都不推荐非法关闭，否则可能遇到不可预知的错误。

python stop.py

分布式模式

首先需要启动cola master和cola workers。分别运行根目录下bin中的start_master.py和start_worker.py

启动cola master：

cd /to/path/cola
python bin/start_master.py --data /my/path/data

如果不指定--data，那么数据文件会放置在项目根目录下的data文件夹中。

启动cola worker：

python bin/start_worker.py --master <master ip address> --data /my/path/data

--data选项同master。如果不指定master，会询问是否连接到本机master，输入yes连接。

最后使用bin下的coca.py来运行指定的Cola job：

python bin/coca.py -m <master ip address> -runLocalJob /to/path/cola/contrib/wiki

-runLocalJob选项是要运行的job所在文件夹的绝对路径。输入命令后，该job会被提交到Cola集群来运行。

停止Cola Job或集群

停止整个集群，则可以运行：

python bin/coca.py -m <master ip address> -stopAll

而停止一个Job，则需要查询得到Job的名称：

python bin/coca.py -m <master ip address> -showRunningJobsNames

得到名称后，再运行：

python bin/coca.py -m <master ip address> -stopRunningJobByName <job name>

基于Cola实现的爬虫

基于Cola实现的爬虫位于contrib/目录下。目前实现了四个爬虫：

• wiki：维基百科。

• weibo：新浪微博爬虫。从初始用户出发，然后是其关注和粉丝，依次类推，抓取指定个数的新浪微博用户的微博、个人信息、关注和粉丝。其中，用户微博只获取了内容、赞的个数、转发和评论的个数等等，而没有具体去获取此微博被转发和评论的内容。

• generic(unstable)：通用爬虫，只需配置，而无需修改代码。目前Cola实现了一个抽取器（cola/core/extractor），能够从网页正文中自动抽取主要内容，即去除类似边栏和底脚等内容。但是，此抽取器目前准确度还不够，效率也不够高，所以需要谨慎使用。

• weibosearch(unstable)：新浪微博搜索的爬虫。这个爬虫使用cola.core.opener.SpynnerOpener，基于spynner实现了一个Opener能够执行JavaScript和Ajax代码。目前这个爬虫存在的问题是：新浪微博可能会将其识别成机器人，因此有可能会让输入验证码。

wiki和weibo之前有所提及。主要说明generic和weibosearch。

对于generic来说，主要要修改的就是配置文件：

job:
  patterns:
    - regex: http://blog.sina.com.cn/$
      name: home
      store: no
      extract: no
    - regex: http://blog.sina.com.cn/s/blog_.+
      name: article
      store: yes
      extract: yes

其中，regex表示要匹配的url的正则表达式；name是正则匹配的名称；store为yes时是存储这个网页，no为不存储；extract表示是否自动抽取网页正文，只有当store为yes的时候，extract才有作用。

对于weibosearch，其使用了spynner来执行JavaScript和Ajax代码。所以需要确保以下依赖的安装：

• PyQt4(>=4.4.3）

• spynner

如果你觉得可以基于cola实现一个比较通用的第三方爬虫，比如说腾讯微博等等，欢迎将此爬虫提交到contrib/中。

编写自定义Cola Job

见wiki编写自定义Cola Job。

架构和原理

在Cola集群里，当一个任务被提交的时候，Cola Master和Worker会分别启动JobMaster和JobWorker。对于一个Cola Job，当JobWorker启动完成后，会通知JobMaster，JobMaster等待所有JobWorker启动完成后开始运行Job。在一个Cola Job启动时，会启动一个消息队列（Message Queue，主要操作是put和get，worker抓取到的对象会被put到队列中，而要抓取新的对象时，只要从队列中取即可），每个JobWorker上都存在消息队列节点，同时会有一个去重模块（bloom filter实现）。

问题

Cola还不够稳定，目前会处于持续改进的状态。且Cola还没有在较大规模的集群上测试，但是接下来我会把Cola应用到新项目中，并逐步完善。也希望大家也能给我反馈，并帮助改进。

Roadmap

0.1版本正式推出前不会再增加新的功能了，主要目标让Cola更加稳定，并且提高cola/core/extractor的性能和精确度，完善contrib/generic和contrib/weibosearch。

0.2版本计划：

• 实现一个web接口，可以查看运行的cola job以及运行情况

• 简化安装，支持easy_install或者pip安装。增加解决依赖库安装的机制。

0.3版本计划：

• 增加一个统一持久化抽象，支持保存到关系型数据库，MongoDB，文件系统，HDFS等等。

0.4版本计划：

• 支持Python 3+