在Ubuntu 12.04中配置分布式爬虫框架——Cola

Cola是一个用Python编写的分布式爬虫框架，其目的是为了方便分布式的部署，目前虽仍有很多不完善的地方，但仍然值得对其进行一番探索。本文将对Cola的运行环境配置进行一番较为详细的介绍。在配置之前，请保证系统已经有正常的编译工具（gcc, make, autoconf, etc.）。另外，可能需要先安装python-dev：

sudo apt-get install python-dev

1 安装MongoDB

Cola所采用的数据库为文档型数据库MongoDB，因此首先需要配置MongoDB，这里给出一种较为方便的部署方法。

MongoDB是由10gen公司来负责维护开发的。首先给apt包管理添加10gen资源库：

 

sudo apt-key adv --keyserver keyserver.ubuntu.com --recv 7F0CEB10

echo 'deb http://downloads-distro.mongodb.org/repo/ubuntu-upstart dist 10gen' | sudo tee /etc/apt/sources.list.d/10gen.list

sudo apt-get update

经过以上几步之后，就可以安装最新稳定版本的MongoDB：

sudo apt-get install mongodb-10gen

安装完毕后，会自动启动MongoDB服务。

2 安装PIP

PIP是一个Python的包管理工具。因为Cola依赖很多的Python库，为了方便后期的安装，我们需要先配置好PIP。PIP本身依赖于setuptools，因此在安装PIP前，需要先安装setuptools，具体的方法如下：

wget https://bitbucket.org/pypa/setuptools/raw/0.7.5/ez_setup.py -O - | sudo python

sudo apt-get install curl
curl -O https://raw.github.com/pypa/pip/master/contrib/get-pip.py sudo python get-pip.py

3 配置Cola所依赖的库

sudo apt-get install libyaml-dev
sudo pip install pyyaml
sudo pip install mechanize
sudo pip install python-dateutil
sudo pip install BeautifulSoup4
sudo pip install mongoengine
sudo easy_install rsa
git clone https://github.com/chineking/cola.git[/code]

在最后一个命令中，我们获取Cola的源代码，之后就可以单机模式或分布式模式来运行了，具体可以参见：https://github.com/chineking/cola/wiki