scrapy 爬虫学习二[中间件的学习]

scrapy源码解析参考连接：https://www.jianshu.com/p/d492adf17312 ，直接看大佬的就行了，这里便就不多说了。

今天要学习的是：scrapy框架中的download middlerware【下载中间件】用法。

一：官方文档中，对下载中间件的解释如下
下载中间件是介于scrapy的requests/response处理的钩子框架，是用于全局修改scrapy requests和response的一个轻量、底层的系统。

 

二：使用下载器中间件时必须激活这个中间件，方法是在settings.py文件中设置downloader_middlewares这个字典，格式类似如下

downloader_middlewares = {
'scrapy_test.middlewares.scrapytestdownloadermiddleware': 543,
}

数字越小，越靠近引擎，数字越大越靠近下载器，所以数字越小的，processrequest()优先处理；数字越大的，process_response()优先处理；
若需要关闭某个中间件直接设为none即可。由于中间件是按顺序运行的，因此如果遇到后一个中间件依赖前一个中间件的情况，中间件的顺序就至关重要如何确定后面的数字应该怎么写呢？
最简单的办法就是从543开始，逐渐加一，这样一般不会出现什么大问题。如果想把中间件做得更专业一点，那就需要知道scrapy自带中间件的顺序，如图下图1.1所示。

三：中间件的理解

中间件本身是一个python的类，只要爬虫每次访问网站之前都先“经过”这个类。在创建一个scrapy工程以后，工程文件夹下会有一个middlewares.py文件，打开以后其内容如下图 2 所示。

scrapy自动创建的这个中间件是一个爬虫中间件。而我们学习这些中间件的目的就是为了自己改写添加一些中间件。那么我们就需要看懂这些中间件做了什么。我们基本上是需要修改，代理中间件、ua中间件.....
首先去看一下下载中间件信息如图3，这里中间件包含了请求头的设置、代理的设置、以及robot协议，那么单独去看一下这些默认信息。

四：那么这里便改写两个中间件，第一个是改写代理 ip、第二个是改写 ua、

一：由于当每个request通过下载中间件时，process_request(request,spider) 该方法被调用，直接看一下大佬理解的图片 5 如下：

 

4.1：第一个是改写代理 ip

4.1.1：修改代理 在middlewares.py中添加下面一段代码：

# 自己配置的都放在下面
class proxymiddleware(object):
    logger = logging.getlogger(__name__)

    def process_request(self, request, spider):
        self.logger.debug("using proxy")
        request.meta['proxy'] = 'http://120.79.62.89:3128'  # 自己去免费的代理网站采集几个。
        return none

4..1.2：在settings文件中添加这段代码：

 

downloader_middlewares = {
    # 'scrapy_test.middlewares.scrapytestdownloadermiddleware': 543,
    'scrapy_test.middlewares.proxymiddleware': 400,
    'scrapy.downloadermiddlewares.httpproxy.httpproxymiddleware': none,  # 这个是吧默认的default_setting文件中的给禁掉。
}

 

4.1.3：测试网站是：http://httpbin.org/get

4.1.4：spider代码

# -*- coding: utf-8 -*-
import scrapy


class httpbinspider(scrapy.spider):
    name = 'httpbin'
    allowed_domains = ['httpbin.com']
    start_urls = ['http://httpbin.org/get']

    def parse(self, response):
        print(response.text)
        # print("此状态吗为：", response.status)

4.1.5：运行结果如下截图6所示：

 

4.2：开发ua中间件

4.2.1:当我们不改变代理的情况下可以看一下默认的代理是如下图 7：

开发ua中间件和开发代理中间件几乎一样，它也是从settings.py配置好的ua列表中随机选择一项，加入到请求头中。代码如下：

4.2.2：middlewares.py

 

import random
from scrapy_test.settings import user_agent_list

class randomuseragentmiddleware(object):
    logger = logging.getlogger(__name__)

    def process_request(self, request, spider):
        rand_use = random.choice(user_agent_list)
        if rand_use:
            self.logger.debug("using random headers")
            request.headers.setdefault('user-agent', rand_use)

 

4.2.3：settings文件

 

 

downloader_middlewares = {
    # 'scrapy_test.middlewares.scrapytestdownloadermiddleware': 543,
    'scrapy_test.middlewares.proxymiddleware': 400,
    'scrapy.downloadermiddlewares.httpproxy.httpproxymiddleware': none,
    # 添加这两项即可。
    'scrapy_test.middlewares.randomuseragentmiddleware': 400,
    'scrapy.downloadermiddlewares.useragent.useragentmiddleware': none,
}

user_agent_list = [
    "mozilla/5.0 (windows nt 10.0; wow64) applewebkit/537.36 (khtml, like gecko) chrome/45.0.2454.101 safari/537.36",
    "dalvik/1.6.0 (linux; u; android 4.2.1; 2013022 miui/jhacnbl30.0)",
    "mozilla/5.0 (linux; u; android 4.4.2; zh-cn; huawei mt7-tl00 build/huaweimt7-tl00) applewebkit/533.1 (khtml, like gecko) version/4.0 mobile safari/533.1",
    "androiddownloadmanager",
    "apache-httpclient/unavailable (java 1.4)",
    "dalvik/1.6.0 (linux; u; android 4.3; sm-n7508v build/jls36c)",
    "android50-androidphone-8000-76-0-statistics-wifi",
    "dalvik/1.6.0 (linux; u; android 4.4.4; mi 3 miui/v7.2.1.0.kxccnda)",
    "dalvik/1.6.0 (linux; u; android 4.4.2; lenovo a3800-d build/lenovoa3800-d)",
    "lite 1.0 ( http://litesuits.com )",
    "mozilla/4.0 (compatible; msie 8.0; windows nt 5.1; trident/4.0; .net4.0c; .net4.0e; .net clr 2.0.50727)",
    "mozilla/5.0 (windows nt 6.1) applewebkit/537.36 (khtml, like gecko) chrome/38.0.2125.122 safari/537.36 se 2.x metasr 1.0",
    "mozilla/5.0 (linux; u; android 4.1.1; zh-cn; htc t528t build/jro03h) applewebkit/534.30 (khtml, like gecko) version/4.0 mobile safari/534.30; 360browser(securitypay,securityinstalled); 360(android,uppayplugin); 360 aphone browser (2.0.4)",
]

 

4.2.4：spider代码

# -*- coding: utf-8 -*-
import scrapy


class httpbinspider(scrapy.spider):
    name = 'httpbin'
    allowed_domains = ['httpbin.com']
    start_urls = ['http://httpbin.org/get']

    def parse(self, response):
        print(response.text)
        # print("此状态吗为：", response.status)

4.2.5：结果如下图8所示

 

4.2.6：当然这是全局修改请求头，你也可以单独修改一个spiders的请求头，例如看源码

 

class spider(object_ref):
    """base class for scrapy spiders. all spiders must inherit from this
    class.
    """

    name = none
    custom_settings = none  # 这点就可以单独在每一个爬虫中修改。

    def __init__(self, name=none, **kwargs):
        if name is not none:
            self.name = name
        elif not getattr(self, 'name', none):
            raise valueerror("%s must have a name" % type(self).__name__)

 

4.2.6.1：那么修改spider的代码如下：

 

 

# -*- coding: utf-8 -*-
import scrapy


class httpbinspider(scrapy.spider):
    name = 'httpbin'
    allowed_domains = ['httpbin.com']
    start_urls = ['http://httpbin.org/get']
    custom_settings = {
        "default_request_headers": {
            'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/67.0.3396.99 safari/537.36',
        }}

    def parse(self, response):
        print(response.text)
        # print("此状态吗为：", response.status)

 

4.2.6.2：看结果如下图 9 所示：

 

当然还有第三种、第四种方法如下：

 

修改settings文件如下：

# override the default request headers:
default_request_headers = {
    'accept': 'text/html,application/xhtml+xml,application/xml;q=0.9,*/*;q=0.8',
    'accept-language': 'en',
    # 打开默认，覆盖掉 request headers，结果是相同的。
    'user-agent': 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/67.0.3396.99 safari/537.36',
}

# enable or disable spider middlewares
# see https://doc.scrapy.org/en/latest/topics/spider-middleware.html
# spider_middlewares = {
#    'scrapy_test.middlewares.scrapytestspidermiddleware': 543,
# }

# enable or disable downloader middlewares
# see https://doc.scrapy.org/en/latest/topics/downloader-middleware.html
# downloader_middlewares = {
#     # 'scrapy_test.middlewares.scrapytestdownloadermiddleware': 543,
#     'scrapy_test.middlewares.proxymiddleware': 400,
#     'scrapy.downloadermiddlewares.httpproxy.httpproxymiddleware': none,
#     'scrapy_test.middlewares.randomuseragentmiddleware': 400,
#     'scrapy.downloadermiddlewares.useragent.useragentmiddleware': none,
#
# }

结果和上图一样，这里就不展示了。

你以为就这么多方法，当然还有还是在settings文件找到如下代码：
# crawl responsibly by identifying yourself (and your website) on the user-agent
# user_agent = 'scrapy_test (+http://www.yourdomain.com)'    把这个打开并修改掉
例如改成：
user_agent = 'mozilla/5.0 (windows nt 10.0; win64; x64) applewebkit/537.36 (khtml, like gecko) chrome/67.0.3396.99 safari/537.36'

 

## 参考大佬博客如下：

https://www.cnblogs.com/zhaof/p/7345856.html
https://blog.csdn.net/mouday/article/details/80776030
https://www.cnblogs.com/xieqiankun/p/know_middleware_of_scrapy_1.html