Scrapy 之中間件(Middleware)的具體使用

Posted on 2022-06-12 by WalkonNet

一、下載器中間件（Downloader Middleware）

如上圖標號4、5處所示，下載器中間件用於處理scrapy的request和response的鉤子框架，如在request中設置代理ip，header等，檢測response的HTTP響應碼等。

scrapy已經自帶來一堆下載器中間件。

{
    'scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware': 100,
    'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware': 300,
    'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware': 350,
    'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware': 400,
    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': 500,
    'scrapy.downloadermiddlewares.retry.RetryMiddleware': 550,
    'scrapy.downloadermiddlewares.ajaxcrawl.AjaxCrawlMiddleware': 560,
    'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware': 580,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 590,
    'scrapy.downloadermiddlewares.redirect.RedirectMiddleware': 600,
    'scrapy.downloadermiddlewares.cookies.CookiesMiddleware': 700,
    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 750,
    'scrapy.downloadermiddlewares.stats.DownloaderStats': 850,
    'scrapy.downloadermiddlewares.httpcache.HttpCacheMiddleware': 900,
}

上面就是默認啟用的下載器中間件，其各個中間件的作用參考一下官方文檔：Scrapy download-middleware

自定義下載器中間件

有時我們需要編寫自己的一些下載器中間件，如使用代理池，隨機更換user-agent等，要使用自定義的下載器中間件，就需要在setting文件中激活我們自己的實現類，如下：

DOWNLOADERMIDDLEWARES = {
    'myproject.middlewares.Custom_A_DownloaderMiddleware': 543,
    'myproject.middlewares.Custom_B_DownloaderMiddleware': 643,
    'myproject.middlewares.Custom_B_DownloaderMiddleware': None,
}

設置值是個DICT，key是我們自定義的類路徑，後面數字是執行順序，數字越小，越靠近引擎，數字越大越靠近下載器，所以數字越小的，processrequest()優先處理；數字越大的，process_response()優先處理；若需要關閉某個中間件直接設為None即可。
（PS. 如果兩個下載器的沒有強制的前後關系，數字大小沒什麼影響）

實現下載器我們需要重寫以下幾個方法：

對於請求的中間件實現 process_request(request, spider)；
對於處理回復中間件實現process_response(request, response, spider)；
以及異常處理實現 process_exception(request, exception, spider)

process_request(request, spider)

process_request：可以選擇返回None、Response、Request、raise IgnoreRequest其中之一。

如果返回None，scrapy將繼續處理該request，執行其他的中間件的響應方法。直到合適的下載器處理函數（downloader handler）被調用，該request被執行，其response被下載。
如果其返回Response對象，Scrapy將不會調用任何其他的process_request()或process_exception()方法，或相應地下載函數；其將返回該response。已安裝的中間件的process_response()方法則會在每個response返回時被調用
如果其返回Request對象，Scrapy則停止調用process_request方法並重新調度返回的request。當新返回的request被執行後，相應地中間件鏈將會根據下載的response被調用。
如果其raise IgnoreRequest，則安裝的下載中間件的process_exception()方法會被調用。如果沒有任何一個方法處理該異常，則request的errback(Request.errback)方法會被調用。如果沒有代碼處理拋出的異常，則該異常被忽略且不記錄(不同於其他異常那樣)。

通常返回None較常見，它會繼續執行爬蟲下去

process_response(request, response, spider)

當下載器完成HTTP請求，傳遞響應給引擎的時候調用，它會返回 Response 、Request 、IgnoreRequest三種對象的一種

若返回Response對象，它會被下個中間件中的process_response()處理
若返回Request對象，中間鏈停止，然後返回的Request會被重新調度下載
拋出IgnoreRequest，回調函數 Request.errback將會被調用處理，若沒處理，將會忽略

process_exception(request, exception, spider)

當下載處理器(download handler)或process_request()拋出異常(包括 IgnoreRequest 異常)時， Scrapy調用 process_exception() ，通常返回None，它會一直處理異常

from_crawler(cls, crawler)

這個類方法通常是訪問settings和signals的入口函數

例如下面2個例子是更換user-agent和代理ip的下載中間件

# setting中設置
USER_AGENT_LIST = [ \
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1", \
    "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 (KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", \
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", \
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 (KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", \
    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 (KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", \
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", \
    "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 (KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", \
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
    "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
    "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", \
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", \
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
    "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", \
    "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 (KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", \
    "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", \
    "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 (KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", \
    "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/43.0.2357.132 Safari/537.36", \
    "Mozilla/5.0 (Windows NT 6.1; WOW64; rv:41.0) Gecko/20100101 Firefox/41.0"
]

PROXIES = [
    '1.85.220.195:8118',
    '60.255.186.169:8888',
    '118.187.58.34:53281',
    '116.224.191.141:8118',
    '120.27.5.62:9090',
    '119.132.250.156:53281',
    '139.129.166.68:3128'
]

代理ip中間件

import random

class Proxy_Middleware():

    def __init__(self, crawler):
        self.proxy_list = crawler.settings.PROXY_LIST
        self.ua_list = crawler.settings.USER_AGENT_LIST

	@classmethod
	def from_crawler(cls, crawler):
	    return cls(crawler)

    def process_request(self, request, spider):
        try:
			ua = random.choice(self.ua_list)
        	request.headers.setdefault('User-Agent', ua)
        	
            proxy_ip_port = random.choice(self.proxy_list)
            request.meta['proxy'] = 'http://' + proxy_ip_port
        except request.exceptions.RequestException:
            spider.logger.error('some error happended!')

重試中間件

有時使用代理會被遠程拒絕或超時等錯誤，這時我們需要換代理ip重試，重寫scrapy.downloadermiddlewares.retry.RetryMiddleware

from scrapy.downloadermiddlewares.retry import RetryMiddleware
from scrapy.utils.response import response_status_message

class My_RetryMiddleware(RetryMiddleware):
	def __init__(self, crawler):
        self.proxy_list = crawler.settings.PROXY_LIST
        self.ua_list = crawler.settings.USER_AGENT_LIST

	@classmethod
	def from_crawler(cls, crawler):
	    return cls(crawler)

    def process_response(self, request, response, spider):
        if request.meta.get('dont_retry', False):
            return response

        if response.status in self.retry_http_codes:
            reason = response_status_message(response.status)
            try:
                ua = random.choice(self.ua_list)
	        	request.headers.setdefault('User-Agent', ua)
	        	
	            proxy_ip_port = random.choice(self.proxy_list)
	            request.meta['proxy'] = 'http://' + proxy_ip_port
            except request.exceptions.RequestException:
                spider.logger.error('獲取訊代理ip失敗！')

            return self._retry(request, reason, spider) or response
        return response

# scrapy中對接selenium

from scrapy.http import HtmlResponse
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from gp.configs import *


class ChromeDownloaderMiddleware(object):

    def __init__(self):
        options = webdriver.ChromeOptions()
        options.add_argument('--headless')  # 設置無界面
        if CHROME_PATH:
            options.binary_location = CHROME_PATH
        if CHROME_DRIVER_PATH:  # 初始化Chrome驅動
            self.driver = webdriver.Chrome(chrome_options=options, executable_path=CHROME_DRIVER_PATH)  
        else:
            self.driver = webdriver.Chrome(chrome_options=options)  # 初始化Chrome驅動

    def __del__(self):
        self.driver.close()

    def process_request(self, request, spider):
        try:
            print('Chrome driver begin...')
            self.driver.get(request.url)  # 獲取網頁鏈接內容
            return HtmlResponse(url=request.url, body=self.driver.page_source, request=request, encoding='utf-8',
                                status=200)  # 返回HTML數據
        except TimeoutException:
            return HtmlResponse(url=request.url, request=request, encoding='utf-8', status=500)
        finally:
            print('Chrome driver end...')

二、Spider中間件（Spider Middleware）

如文章第一張圖所示，spider中間件用於處理response及spider生成的item和Request

啟動自定義spider中間件必須先開啟settings中的設置

SPIDER_MIDDLEWARES = {
    'myproject.middlewares.CustomSpiderMiddleware': 543,
    'scrapy.spidermiddlewares.offsite.OffsiteMiddleware': None,
}

同理，數字越小越靠近引擎，process_spider_input()優先處理，數字越大越靠近spider，process_spider_output()優先處理,關閉用None

編寫自定義spider中間件

process_spider_input(response, spider)

當response通過spider中間件時，這個方法被調用，返回None

process_spider_output(response, result, spider)

當spider處理response後返回result時，這個方法被調用，必須返回Request或Item對象的可迭代對象，一般返回result

process_spider_exception(response, exception, spider)

當spider中間件拋出異常時，這個方法被調用，返回None或可迭代對象的Request、dict、Item

補充一張圖：

參考文檔：

https://docs.scrapy.org/en/latest/topics/spider-middleware.html

https://docs.scrapy.org/en/latest/topics/downloader-middleware.html

到此這篇關於Scrapy 之中間件（Middleware）的文章就介紹到這瞭,更多相關Scrapy 之中間件（Middleware）內容請搜索WalkonNet以前的文章或繼續瀏覽下面的相關文章希望大傢以後多多支持WalkonNet！

Scrapy 之中間件(Middleware)的具體使用

目錄

一、下載器中間件（Downloader Middleware）

process_request(request, spider)

process_response(request, response, spider)

process_exception(request, exception, spider)

from_crawler(cls, crawler)

二、Spider中間件（Spider Middleware）

推薦閱讀：

發佈留言取消回覆

近期文章

目錄

一、下載器中間件（Downloader Middleware）

process_request(request, spider)

process_response(request, response, spider)

process_exception(request, exception, spider)

from_crawler(cls, crawler)

二、Spider中間件（Spider Middleware）

推薦閱讀：

發佈留言 取消回覆

近期文章

標籤

發佈留言取消回覆