纯纯的爬虫知识，python scrapy 下载中间件知多少

Posted 2021-12-05 梦想橡皮擦

这篇博客咱们聊聊 scrapy 中的 Downloader Middleware ，即下载中间件相关知识。

Downloader Middlerware

首先看一下中间件在 scrapy 数据流中的位置，下图黑色箭头即下载中间件。

结合上图就能看出来， Requests 和 Response 都会通过 Downloader Middlerware，所以在后续代码编写的时候需要注意该点。
中间件的开启非常简单，只需要在 settings.py 文件中去除下述代码的注释即可。

DOWNLOADER_MIDDLEWARES = {
   'mid_test.middlewares.MidTestDownloaderMiddleware': 543,
}

其实 settings.py 文件仅仅是一个 scrapy 项目基础配置，除此之外，在 scrapy 框架中还存在一个 default_settings.py 文件，里面的 DOWNLOADER_MIDDLEWARES_BASE 包含更多下载中间件，而且它们是 scrapy 项目启动之后默认加载的，具体如下图所示。
我们在设置 DOWNLOADER_MIDDLEWARES 的时候，需要注意优先级的问题，其原因是在后续编写自定义下载中间件时，存在 1 个 process_request() 方法和 1 个 process_response() 方法，它们会按照优先级对中间件进行排序，并按照顺序进行中间的调用。

还有一点要注意的是，如果你想要屏蔽掉 DOWNLOADER_MIDDLEWARES_BASE 中设置的中间件，需要在 DOWNLOADER_MIDDLEWARES 中给其赋值为 None 才可以，例如下述代码将屏蔽 RobotsTxtMiddleware 中间件。

DOWNLOADER_MIDDLEWARES = {
    'myproject.middlewares.CustomDownloaderMiddleware': 543,
    'scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware': None,
}

自定义下载中间件的相关知识

本次案例编写使用的网站是 http://httpbin.org ，该站点可以直接返回请求头相关参数，测试起来非常方便。
正式编写代码前在 settings.py 文件中增加添加一个新的字段，便于输出打印日志（屏蔽了一些调试日志的输出）。

LOG_LEVEL = 'WARNING'

编写自己的下载中间件

默认请求代码如下所示，返回数据在代码下方。

import scrapy


class HbinSpider(scrapy.Spider):
    name = 'hbin'
    allowed_domains = ['httpbin.org']
    start_urls = ['http://httpbin.org/get']

    def parse(self, response):
        print(response.text)

请求目标站点之后，得到的返回数据如下所示：

接下来启用中间件，然后将请求相关参数进行修改，主要操作的文件是 middlewares.py，并且要实现其中的 process_request()，process_response()，process_exception()，spider_opened() 方法（可以仅实现一部分）。

process_request(request, spider)

通过下载中间件的每个请求，都会调用该方法。
本方法返回值必须是 None，Response 对象，Request 对象或者 IgnoreRequest 错误。

• 返回 None：没啥影响，其它的请求继续处理完毕；
• 返回 Response：直接去调用 process_response() 方法去；
• 返回 Request：将新的 Request 加入调度队列；
• 返回 IgnoreRequest：process_exception() 方法被执行。

下面编写一个 UserAgentMiddlerware 中间件，替换默认中间件的同时实现自己的代理设置。
在 middlewares.py 文件中添加如下代码

class UserAgentMiddleware(object):

    def process_request(self, request, spider):
        request.headers.setdefault('User-Agent',
                                   'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/95.0.4638.54 Safari/537.36')

        return None

在 settings.py 文件中添加如下代码

DOWNLOADER_MIDDLEWARES = {
   'mid_test.middlewares.UserAgentMiddleware': 543, # 配置自己的中间件，可以修改名称为 MyUserAgentMiddleware
   'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None # 覆盖配置
}

如果没有覆盖原配置，会发现我们编写的中间件优先级不如 UserAgentMiddleware 高，即下图加载顺序。

process_response(request, response, spider)

该方法可下载中间件在返回响应数据时，进行一些数据处理，它默认返回的是 response 对象，也可以返回 request 对象，逻辑与 process_request() 方法基本一致。

class MyUserAgentMiddleware(object):

    def process_request(self, request, spider):
        request.headers.setdefault('User-Agent',
                                   'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/95.0.4638.54 Safari/537.36')

        return None

    def process_response(self, request, response, spider):
        print(response)  # 单纯输出一下 response

        return response

process_exception(request, exception, spider)

用于处理异常，默认返回 None，也可以返回 Response 对象和 Request 对象。

一般场景都是返回 Request 对象，当出现异常时，可以重新发起请求。

内置的下载中间件

通过 scrapy 命令行可以查看所有的内置中间件。

> scrapy settings --get DOWNLOADER_MIDDLEWARES_BASE

按照优先级依次为大家介绍一下。

RobotsTxtMiddleware

查看该中间件源码了解到，当 settings.py 文件中的 ROBOTSTXT_OBEY 被设置为 True 时，尊重 robots.txt 协议。

HttpAuthMiddleware

HTTP 认证，核心逻辑如下所示：

def spider_opened(self, spider):
    usr = getattr(spider, 'http_user', '')
    pwd = getattr(spider, 'http_pass', '')
    if usr or pwd:
        self.auth = basic_auth_header(usr, pwd)

def process_request(self, request, spider):
    auth = getattr(self, 'auth', None)
    if auth and b'Authorization' not in request.headers:
        request.headers[b'Authorization'] = auth

DownloadTimeoutMiddleware

设置请求的超时时间，需要配置 settings.py 文件中的 DOWNLOAD_TIMEOUT 值，然后手动给 meta 中 download_timeout 参数赋值。

def process_request(self, request, spider):
   if self._timeout:
       request.meta.setdefault('download_timeout', self._timeout)

DefaultHeadersMiddleware

设置 DEFAULT_REQUEST_HEADERS 指定的默认请求头。

UserAgentMiddleware

请求的用户代理设置。

RetryMiddleware

请求重试次数。

MetaRefreshMiddleware 与 RedirectMiddleware

以上 2 个中间件都继承自 BaseRedirectMiddleware，都与重定向有关系。

HttpCompressionMiddleware

提供了对压缩(gzip, deflate)数据的支持。

CookiesMiddleware

Cookie 相关能力的支持。

HttpProxyMiddleware

代理相关设置。

DownloaderStats

下载中间件的统计信息。

HttpCacheMiddleware

为所有 HTTP 请求和响应提供低级缓存。

本篇博客内容属于 scrapy 知识铺垫，并且部分知识点在后续博客中会反复用到，请掌握。

写在后面

今天是持续写作的第 253 / 365 天。
期待 关注，点赞、评论、收藏。

更多精彩

《爬虫 100 例，专栏销售中，买完就能学会系列专栏》

↓ ↓ ↓ ↓一对一指导你的疑问↓ ↓ ↓ ↓ ↓↓↓扫码添加博主参加【78技术人社群】~Python分部↓↓↓