spider-monitor 0.2.2

面向 Python 爬虫的通用监控 SDK，支持请求监控、数据血缘、Kafka 输出、断网缓存和平台上报

Spider Monitor

spider-monitor 是一个面向 Python 爬虫的通用监控 SDK。它可以安装到 Scrapy、Requests、aiohttp、Selenium 或自研爬虫项目中，统一采集爬虫运行指标、数据产物、文件下载、代码来源、数据质量、上报状态和爬虫运行维度。

后续爬虫监控平台的数据应全部来自该 SDK 的本地指标端点或主动上报协议。

核心能力

• 请求监控：请求数、成功率、失败率、响应时间、QPS。
• 本地指标：/metrics、/health。
• 主动上报：Reporter 定时 POST 到监控平台。
• 数据血缘：记录 item、文件、输出目标、来源 URL、代码位置。
• 数据质量：记录校验失败、重复、丢弃、解析失败。
• 上报诊断：Reporter 状态、端点测试、手动 flush。
• 爬虫运行维度：任务队列、任务重试、代理失败、封禁、限流、验证码、资源、日志、断点续爬。
• 框架接入：装饰器、上下文管理器、Requests、Scrapy、aiohttp、Selenium 适配器。

安装

基础安装：

pip install spider-monitor

按技术栈安装：

pip install "spider-monitor[requests]"
pip install "spider-monitor[scrapy]"
pip install "spider-monitor[aiohttp]"
pip install "spider-monitor[selenium]"
pip install "spider-monitor[kafka]"
pip install "spider-monitor[yaml]"
pip install "spider-monitor[all]"

当前版本已实现核心能力和 Requests/Scrapy/aiohttp/Selenium 接入；对应 extra 用于安装可选第三方依赖。

安装即用

常规生产爬虫只需要配置爬虫名、平台上报地址和维护人信息：

export MONITOR_NAME=product_spider
export MONITOR_REPORT_URL=https://monitor.company.com/api/v1/spider-monitor/reports
export MONITOR_REPORT_TOKEN=your-platform-token
export MONITOR_OWNER=zhangsan
export MONITOR_OWNER_TEAM=crawler-team
export MONITOR_LABEL_ENV=prod
export MONITOR_LABEL_PROJECT=catalog
python spider.py

设置 MONITOR_REPORT_URL 后，SDK 会自动进入生产 profile：关闭本地 HTTP 服务、使用 SQLite 断网缓存、开启更大的批量上报、给上报周期增加 jitter、降低产物采样率、使用轻量代码来源采集，并关闭文件 hash。高吞吐爬虫仍然可以用环境变量或构造函数覆盖这些默认值。

生成完整生产模板：

spider-monitor sample-config

对已有脚本做最小改动时，可以用命令行注入：

spider-monitor run \
  --name product_spider \
  --report-url https://monitor.company.com/api/v1/spider-monitor/reports \
  --owner zhangsan \
  --owner-team crawler-team \
  --label env=prod \
  -- python spider.py

最小示例

推荐一键接入：

from spider_monitor import auto_monitor

monitor = auto_monitor(
    name="product_spider",
    report_endpoint="https://monitor.company.com/api/v1/spider-monitor/reports",
    owner="zhangsan",
    owner_email="[e-mail]",
    owner_team="crawler-team",
    run_type="daemon",
)

配置文件接入：

{
  "name": "product_spider",
  "report_endpoint": "https://monitor.company.com/api/v1/spider-monitor/reports",
  "owner": "zhangsan",
  "owner_email": "[e-mail]",
  "owner_team": "crawler-team",
  "labels": {"env": "prod", "project": "catalog"},
  "resource_interval": 30
}

MONITOR_CONFIG_FILE=monitor.json python spider.py

资源和日志可直接进入同一条上报链路：

import logging
from spider_monitor import SpiderMonitorLogHandler, auto_monitor

monitor = auto_monitor(name="product_spider")
monitor.start_resource_collection()

logger = logging.getLogger("product_spider")
logger.addHandler(SpiderMonitorLogHandler(monitor))

命令行注入：

spider-monitor run --name product_spider -- python spider.py

需要手动控制时再使用完整 API：

from spider_monitor import SpiderMonitor

monitor = SpiderMonitor(
    name="product_spider",
    labels={"env": "prod", "project": "catalog"},
    report_endpoint="https://monitor.company.com/api/v1/spider-monitor/reports",
    owner="zhangsan",
    owner_email="[e-mail]",
    owner_phone="13800000000",
    owner_team="crawler-team",
    run_type="manual",
    trigger_source="developer",
)

monitor.record_request(success=True, response_time=0.25)
monitor.record_item(
    item_type="product",
    item_id="100",
    source_url="https://example.com/products/100",
    fields={"id": "100", "name": "Keyboard", "price": 199.0},
)

print(monitor.get_stats())
monitor.flush()
monitor.finish_run(status="success", exit_code=0)
monitor.shutdown()

文档

• 开发与系统接入文档：SDK 架构、公共 API、上报协议、平台接入、测试、打包和验收标准。
• 使用教程：安装、接入、上报平台、各类爬虫示例、生产建议和常见问题。
• 协议 JSON Schema：平台接收 envelope 的基础结构。

MVP 范围

首版建议稳定实现：

• SpiderMonitor
• auto_monitor()
• record_request()、record_error()、record_page()
• record_item()、record_file()
• trace_context()
• get_stats()、get_reporter_status()
• flush()、reset()、shutdown()
• /metrics、/health
• monitor_request()、monitor_request_async()、monitor_context()
• MonitoredSession
• SpiderMonitorExtension
• monitored_client()
• MonitoredWebDriver
• MonitoredKafkaProducer
• spider-monitor run
• 基础 operation 事件：队列大小、任务重试、代理失败、封禁、限流、验证码、资源快照、日志、断点续爬
• JSON/YAML 配置文件：config_file 或 MONITOR_CONFIG_FILE
• 运行批次：run_id、run_type、start_run()、finish_run()
• 标准 Python 包打包：wheel、sdist、optional extras

平台接入

监控平台建议提供：

POST /api/v1/spider-monitor/reports

SDK 通过 report_endpoint 上报：

monitor = SpiderMonitor(
    name="product_spider",
    report_endpoint="https://monitor.company.com/api/v1/spider-monitor/reports",
)

协议详见 开发与系统接入文档 的“上报协议”章节。

多服务器、多爬虫会自动按 client_id = <spider_name>@<hostname>:<pid> 区分实例，平台按 name、client_id、owner 和 labels 聚合展示。

建议生产环境必须配置维护人信息，便于告警时直接定位到人：

export MONITOR_OWNER=zhangsan
export MONITOR_OWNER_EMAIL=[e-mail]
export MONITOR_OWNER_PHONE=13800000000
export MONITOR_OWNER_TEAM=crawler-team