Python爬虫从入门到放弃（十七）之 Scrapy框架中Download Middleware用法

Posted 2020-09-28

这篇文章中写了常用的下载中间件的用法和例子。
Downloader Middleware处理的过程主要在调度器发送requests请求的时候以及网页将response结果返回给spiders的时候，所以从这里我们可以知道下载中间件是介于Scrapy的request/response处理的钩子，用于修改Scrapy request和response。

编写自己的下载器中间件

编写下载器中间件，需要定义以下一个或者多个方法的python类

为了演示这里的中间件的使用方法，这里创建一个项目作为学习，这里的项目是关于爬去httpbin.org这个网站
scrapy startproject httpbintest 
cd httpbintest
scrapy genspider example example.com

创建好后的目录结构如下：

这里我们先写一个简单的代理中间件来实现ip的伪装
创建好爬虫之后我们讲httpbin.py中的parse方法改成：

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

然后通过命令行启动爬虫：scrapy crawl httpbin

在最下面我们可以看到"origin": "114.250.88.66"
我们在查看自己的ip:

 

 而我们要做就是通过代理中间件来实现ip的伪装,在middleares.py中写如下的中间件类：

class ProxyMiddleare(object):
    logger = logging.getLogger(__name__)
    def process_request(self,request, spider):
        self.logger.debug("Using Proxy")
        request.meta[‘proxy‘] = ‘http://127.0.0.1:9743‘
        return None

这里因为我本地有一个代理FQ地址为：http://127.0.0.1:9743

所以直接设置为代理用，代理的地址为日本的ip
然后在settings.py配置文件中开启下载中间件的功能，默认是关闭的

然后我们再次启动爬虫：scrapy crawl httpbin
从下图的输入日志中我们可以看书我们定义的中间件已经启动，并且输入了我们打印的日志信息，并且我们查看origin的ip地址也已经成了日本的ip地址，这样我们的代理中间件成功了

 

 

详细说明

class Scrapy.downloadermiddleares.DownloaderMiddleware

process_request(request,spider)

当每个request通过下载中间件时，该方法被调用，这里有一个要求，该方法必须返回以下三种中的任意一种：None,返回一个Response对象，返回一个Request对象或raise IgnoreRequest。三种返回值的作用是不同的。

None:Scrapy将继续处理该request，执行其他的中间件的相应方法，直到合适的下载器处理函数(download handler)被调用,该request被执行(其response被下载)。

Response对象：Scrapy将不会调用任何其他的process_request()或process_exception() 方法，或相应地下载函数；其将返回该response。 已安装的中间件的 process_response() 方法则会在每个response返回时被调用。

Request对象：Scrapy则停止调用 process_request方法并重新调度返回的request。当新返回的request被执行后， 相应地中间件链将会根据下载的response被调用。

raise一个IgnoreRequest异常：则安装的下载中间件的 process_exception() 方法会被调用。如果没有任何一个方法处理该异常， 则request的errback(Request.errback)方法会被调用。如果没有代码处理抛出的异常， 则该异常被忽略且不记录。

process_response(request, response, spider)

process_response的返回值也是有三种：response对象，request对象，或者raise一个IgnoreRequest异常

如果其返回一个Response(可以与传入的response相同，也可以是全新的对象)， 该response会被在链中的其他中间件的 process_response() 方法处理。

如果其返回一个 Request 对象，则中间件链停止， 返回的request会被重新调度下载。处理类似于 process_request() 返回request所做的那样。

如果其抛出一个 IgnoreRequest 异常，则调用request的errback(Request.errback)。 如果没有代码处理抛出的异常，则该异常被忽略且不记录(不同于其他异常那样)。

这里我们写一个简单的例子还是上面的项目，我们在中间件中继续添加如下代码：

 

然后在spider中打印状态码：

这样当我们重新运行爬虫的时候就可以看到如下内容

process_exception(request, exception, spider)

当下载处理器(download handler)或 process_request() (下载中间件)抛出异常(包括 IgnoreRequest 异常)时，Scrapy调用 process_exception()。

process_exception() 也是返回三者中的一个: 返回 None 、 一个 Response 对象、或者一个 Request 对象。

如果其返回 None ，Scrapy将会继续处理该异常，接着调用已安装的其他中间件的 process_exception() 方法，直到所有中间件都被调用完毕，则调用默认的异常处理。

如果其返回一个 Response 对象，则已安装的中间件链的 process_response() 方法被调用。Scrapy将不会调用任何其他中间件的 process_exception() 方法。

如果其返回一个 Request 对象， 则返回的request将会被重新调用下载。这将停止中间件的 process_exception() 方法执行，就如返回一个response的那样。 这个是非常有用的，就相当于如果我们失败了可以在这里进行一次失败的重试，例如当我们访问一个网站出现因为频繁爬取被封ip就可以在这里设置增加代理继续访问，我们通过下面一个例子演示

scrapy genspider google www.google.com 这里我们创建一个谷歌的爬虫，

然后启动scrapy crawl google,可以看到如下情况:

这里我们就写一个中间件，当访问失败的时候增加代理
首先我们把google.py代码进行更改，这样是白超时时间设置为10秒要不然等待太久，这个就是我们将spider里的时候的讲过的make_requests_from_url，这里我们把这个方法重写，并将等待超时时间设置为10s

这样我重新启动爬虫：scrapy crawl google,可以看到如下：

这里如果我们不想让重试，可以把重试中间件关掉：

这样设置之后我们就把失败重试的中间件给关闭了，设置为None就表示关闭这个中间件，重新启动爬虫我们也可以看出没有进行重试直接报错了

我们将代理中间件的代理改成如下，表示遇到异常的时候给请求加上代理，并返回request,这个样就会重新请求谷歌

重新启动谷歌爬虫，我们可以看到，我们第一次返回我们打印的日志信息GET Exception，然后加上代理后成功访问了谷歌，这里我的代理是日本的代理节点，所以访问到的是日本的谷歌站