爬虫2.5-scrapy框架-下载中间件

scrapy框架-下载中间件

middlewares.py中有两个类,一个是xxSpiderMiddleware类 一个是xxDownloaderMiddleware类,xx代表项目名,本次笔记主要记录DownloaderMiddleware类的一些知识点

1. process_request(self, request, spider):

这个方法会在请求之前执行,所以可以添加代理pi和随机请求头等

1.1 参数:

​ reuqest:发送的请求

​ spider:发送请求的spider对象,即request是哪个爬虫对象发过来的。

1.2 返回值:

1)如果返回的是None:scrapy将把request对象交给下一个中间件

2)如果返回的是response对象,则不会调用任何的process_request方法,而是将response对象直接返回给已激活的process_response()方法

3)返回request对象,不会调用下一个中间件,而是根据返回的request对象返回数据

4)抛出异常,调用process_exception方法。

2. process_response(self, request, response, spider):

2.1 参数:

1)request:之前发送的request请求对象

2)response:返回的数据对象

3)spider:爬虫对象

2.2 返回值:

1)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

2)返回request对象,下载器链被切断,返回的request会重新被下载器调度

3)抛出异常,调用request中的errback方法,没有就抛出异常

3. 设置请求头

专业请求头网站 http://www.useragentstring.com/pages/useragentstring.php?type=Browser

定义xxDownloaderMiddleware类,在写process_request()方法

class xxDownloaderMiddleware(object):
USER_AGENTS = [
'xxxx',
'xxxxx',
'xxxx',
'xxxxxx' # 请求头
] def process_request(self, request, spider):
user_agent = random.choice(self.USER_AGENTS)
request.headers['user-agent'] = user_agent

然后在settings.py中打开中间件设置

DOWNLOADER_MIDDLEWARES = {
'projectname.middlewares.xxDownloaderMiddleware': 543
}

4. ip代理池

代理服务商:

快递代理、芝麻代理、太阳代理、讯代理、蚂蚁代理

当然是花钱买,免费的不好用

新建一个类

class XXXDownloaderMiddleware(object):
PROXIES = ['IP1','IP2','IP3']
def process_request(self, request, spider):
proxy = random.choice(self.PROXIES)
request.meta('proxy') = proxy

修改settings.py

DOWNLOADER_MIDDLEWARES = {
'project.middlewares.XXXDownloaderMiddleware':542 # 多个中间件的优先级自己设定,1为*
}

5. 一个略完善的代理思路

开启两个下载中间件,一个请求头代理,一个ip代理,添加到settings中间

ip代理中间件需要两个函数,

1 process_request(self, request, spider)

2 process_response(self, request, response, spider)

函数1 获取代理ip、端口、过期时间可以调用代理网站给的api获取

函数2 当ip被封,返回的是值是不一样的,所以可以return request对象 重新分配代理ip、端口

伪代码:

def process_request(self, request, spider):
if 'proxy' not in request.meta or 代理即将过期 or 代理被封:
更新代理
更新代理被封标志
request.meta['proxy'] = 代理ip def process_response(self, request, response, spider):
if response.status != 200 or 验证码页面url特殊标志 in response.url:
代理被封标志
更新代理
return request
return response

因为scrapy框架下各个请求是异步的,所以更新代理的函数需要进行一定的更改,因为每次将一个ip使用到被封才使用下一个ip,所以每个异步请求都应该使用同一个ip,过期或被封之后才更换

def 更新代理:
加锁:
if 代理没有设置好 or 代理即将过期
请求代理ip

6. selenium+chromedriver中间件

这个中间件相当于使用chromedriver访问页面,并将各类ajax数据传回给爬虫进行解析,而scrapy框架负责调度url和数据解析存储。

当页面中ajax数据较多且复杂时,采用这种方式更方便。

~ meddlewares.py
from selenium import webdriver
from scrapy.http.response.html import HtmlResponse
class SeleniumDownloaderMiddleware(object):
def __init__(self):
self.driver = webdriver.Chrome(executable_path=r'D:\chromedriver\chromedriver.exe') # 创建driver def process_request(self, request, spider):
self.driver.get(request.url) # 打开不同的页面
source = self.driver.page_source
response = HtmlResponse(self.driver.current_url, body=source, request=request, encoding='utf-8') # 传入的参数是按原本response对象需要的参数
return response # 必须返回response对象给爬虫

最后在settings.py中开启这个中间件

DOWNLOADER_MIDDLEWARES = {
'boss.middlewares.SeleniumDownloaderMiddleware': 543,
}
上一篇:Python简单爬虫记录


下一篇:Django进阶-auth集成认证模块