下载器中间件

Posted 2021-01-15 colden

Downloader Middlewares（下载器中间件）

下载器中间件是引擎和下载器之间通信的中间件。在这个中间件中我们可以设置代理、更换请求头等来达到反反爬虫的目的。要写下载器中间件，可以在下载器中实现两个方法。一个是process_request(self, spider)，这个方法是在请求发送之前执行，还有一个是process_response(self, request, response, spider)，这个方法是数据下载到引擎之前执行。

process_request(self, request, spider)

这个方法是下载器在发送请求之前会执行的。一般可以在这个里面设置随机代理ip等。

1. 参数：
   • request：发送请求的request对象。
   • spider：发送请求的spider对象。
2. 返回值：
   • 返回None：如果返回None，Scrapy将继续处理该request，执行其他中间件中的相应方法，直到合适的下载器处理函数被调用。
   • 返回Response对象：Scrapy将不会调用任何其他的process_request方法，将直接返回这个response对象。已经激活的中间件的process.response()方法则会在每个response返回时被调用。
   • 返回Request对象：不再使用之前的request对象去下载数据，而是根据现在返回的request对象返回数据。
   • 如果这个方法中抛出了异常，则会调用process_exception方法。

process_response(self, request, response, spider)

这个是下载器下载的数据到引擎中间会中心会执行的方法。

1. 参数：
   • request：request对象。
   • response：被处理的response对象。
   • spider：spider对象。
2. 返回值：
   • 返回Response对象：会将这个新的response对象传给其他中间件，最终传给爬虫。
   • 返回Request对象：下载链接切断，返回的request会重新被下载器调度下载。
   • 如果抛出一个异常，那么调用request的errback方法，如果没有指定这个方法，那么会抛出一个异常。

随机请求头中间件：

爬虫在频繁访问一个页面的时候，这个请求头如果一直保持一致。那么很容易被服务器发现，从而禁止掉这个请求头的访问。因此我们要在访问这个页面之前随机的更改请求头，这样才可以避免爬虫被抓。随机更改请求头，可以在下载中间件中实现。在请求发送给服务器之前，随机的选择一个请求头。这样就可以避免总使用一个请求头了。示例代码如下：

class UserAgentDownloadMiddleware(object):
    # user-agent随机请求头中间件
    USER_AGENT = [
        ‘Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (Khtml, like Gecko) Chrome/41.0.2228.0 Safari/537.36‘,
        ‘Mozilla/5.0 (Macintosh; U; PPC Mac OS X; pl-PL; rv:1.0.1) Gecko/20021111 Chimera/0.6‘,
        ‘Mozilla/5.0 (Windows NT 6.1; WOW64; rv:40.0) Gecko/20100101 Firefox/40.1‘,
        ‘Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/64.0.3282.140 Safari/537.36 Edge/17.17134‘,
        ‘Mozilla/5.0 (Windows NT 6.1) AppleWebKit/535.1 (KHTML, like Gecko) Chrome/13.0.782.41 Safari/535.1 QQBrowser/6.9.11079.201‘,
        ‘Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.17 (KHTML, like Gecko) Chrome/24.0.1312.57 Safari/537.17 SE 2.X MetaSr 1.0‘,
    ]
    
    def process_request(self, request, spider):
        user_agent = random.choice(self.USER_AGENT)
        request.headers[‘User-Agent‘] = user_agent

user-agent列表：http://www.useragentstring.com/pages/useragentstring.php?typ=Browser

ip代理池中间件

购买代理：
在以下代理商中购买代理：

1. 芝麻代理：http://http.zhimaruanjian.com
2. 太阳代理：http://http.taiyangruanjian.com
3. 快代理：http://www.kuaidaili.com
4. 讯代理：http://www.xdaili.com
5. 蚂蚁代理：http://www.mayidaili.com

使用代理池：
示例代码如下：

class IPProxyDownloadMiddleware(object):
    POXIES = [
        "178.44.170.152:8080",
        "110.44.113.182:8080",
        "209.126.124.73:8888"
    ]
    def process_request(self, request, spider):
        proxy = random.choice(self.PROXIES)
        request.meta[‘proxy‘] = proxy

1. 独享代理池设置：

class IPProxyDownloadMiddleware(object):
    def process_request(self, request, spider)
        proxy = ‘121.199.6.124:16816‘
        user_password = ‘970138074:rcdj35ur‘
        request.meta[‘proxy‘] = proxy
        # byte
        b64_user_passwd = base64.b64encode(user_password.encode(‘utf-8‘))
        request.headers[‘proxy-Authorization‘] = ‘Basic‘ + b64_user_password.decode(‘utf-8‘)