AWS Lambda - scrapy 库不工作（无法导入名称 certificate_transparency）

Question

我想使用 AWS Lambda 来抓取网站。 爬虫代码使用 Python 编写，并使用 Pip 提供的 Scrapy 库。

要运行 lambda 函数，我必须根据 their documentation here 在公共 Amazon Linux AMI 版本 - amzn-ami-hvm-2017.03.1.20170812-x86_64-gp2 中创建一个依赖项压缩包（这里只有 scrapy），添加lambda 函数并上传它以创建 lambda 函数。

现在，当我调用 lambda 函数时，它给了我以下错误：

cannot import name certificate_transparency: ImportError
Traceback (most recent call last):
  File "/var/task/my_lambda_function.py", line 120, in my_lambda_handler
    return get_data_from_scrapy(username, password)
  File "/var/task/my_lambda_function.py", line 104, in get_data_from_scrapy
    process.crawl(MyScrapyFunction)
  File "/var/task/scrapy/crawler.py", line 167, in crawl
    crawler = self.create_crawler(crawler_or_spidercls)
  File "/var/task/scrapy/crawler.py", line 195, in create_crawler
    return self._create_crawler(crawler_or_spidercls)
  File "/var/task/scrapy/crawler.py", line 200, in _create_crawler
    return Crawler(spidercls, self.settings)
  File "/var/task/scrapy/crawler.py", line 52, in __init__
    self.extensions = ExtensionManager.from_crawler(self)
  File "/var/task/scrapy/middleware.py", line 58, in from_crawler
    return cls.from_settings(crawler.settings, crawler)
  File "/var/task/scrapy/middleware.py", line 34, in from_settings
    mwcls = load_object(clspath)
  File "/var/task/scrapy/utils/misc.py", line 44, in load_object
    mod = import_module(module)
  File "/usr/lib64/python2.7/importlib/__init__.py", line 37, in import_module
    __import__(name)
  File "/var/task/scrapy/extensions/memusage.py", line 16, in <module>
    from scrapy.mail import MailSender
  File "/var/task/scrapy/mail.py", line 22, in <module>
    from twisted.internet import defer, reactor, ssl
  File "/var/task/twisted/internet/ssl.py", line 59, in <module>
    from OpenSSL import SSL
  File "/var/task/OpenSSL/__init__.py", line 8, in <module>
    from OpenSSL import crypto, SSL
  File "/var/task/OpenSSL/crypto.py", line 12, in <module>
    from cryptography import x509
  File "/var/task/cryptography/x509/__init__.py", line 7, in <module>
    from cryptography.x509 import certificate_transparency
ImportError: cannot import name certificate_transparency

以下是我正在使用的依赖项/库版本（都是最新的）：

• 点 9.0.1
• Scrapy==1.4.0
• pyOpenSSL==17.5.0
• lxml==4.1.1
• 密码学==2.1.4

任何帮助将不胜感激。提前致谢。

Answer 1

我不知道您是否最终解决了这个问题，但问题来自 lxml 库。它需要 C 依赖项才能正确构建，这给 lambda 带来了很多问题，因为它们依赖于操作系统。我正在通过无服务器 AWS 部署 scrapy，我使用了两件事来解决它：serverless-python-requirements 插件和dockerizePip: non-linux 设置。这会强制无服务器在 docker 容器中构建包，该容器提供正确的二进制文件。请注意，除了 lxml 之外，这也是让 NumPy、SciPy、Pandas 等在 AWS Lambda 上工作的解决方案。这是我为了让它工作而关注的博客：https://serverless.com/blog/serverless-python-packaging/

如果您不想自己制作 zip 文件，那么无服务器非常好。如果你这样做了，这里有一个堆栈溢出链接，显示了如何使用 lxml 解决问题：AWS Lambda not importing LXML

Answer 2

我不会将 AWS Lambda 用于如此复杂的任务。你为什么选择它？如果因为它是免费的，那么您有几个更好的选择：

• AWS 为新帐户提供一年免费访问其所有服务的机会。
• AWS Lightsail 为您提供一个月的免费最低套餐。
• PythonAnywhere.com 为您提供免费帐户。我在 PythonAnywhere 上尝试了 Scrapy，它运行良好。请注意，免费帐户的“连续”运行时间最长为 2 小时，付费帐户最长为 6 小时（根据他们的支持）。
• ScrapingHub.com 给你一个免费的爬虫。查看名为“将 Scrapy Spider 部署到 ScrapingHub”的视频 - 该视频可在本课程“Scrapy: Powerful Web Scraping & Crawling with Python”下免费预览。

我希望这会有所帮助。如果您有任何问题，请告诉我。

Answer 3

正如 Ivan 提到的，这里的问题源于 python 包所需的 c 依赖项

幸运的是，AWS 发布了一个amazonlinux Docker 镜像，它与 Lambda 函数使用的 AMI 几乎相同，这是我自己使用的一个 article，并对其进行了更详细的说明。

这是我用来构建我的 Scrapy 项目并将其打包为 lambda 的 docker 配置

FROM amazonlinux:latest
RUN yum -y install git \
    gcc \
    openssl-devel \
    bzip2-devel \
    libffi \
    libffi-devel \
    python3-devel \
    python37 \
    zip \
    unzip \
    && yum clean all

RUN python3 -m pip install --upgrade pip 

COPY src /io

CMD sh /io/package.sh

这是 package.sh 文件

#!/bin/bash

mkdir holder 
python3 -m pip install scrapy OTHER-REPOS -t holder
rm -f /packages/lambda.zip
cp -r /io/* holder
cd holder
zip -r /packages/lambda.zip *

这就是我如何构建映像并使用卷运行它以在完成后获取部署包 zip 文件

docker build -t TAG_NAME_HERE .
docker run --rm -v ${PWD}/deployment_package:/packages -t TAG_NAME_HERE

希望这能有所帮助。