Scrapy进阶封装（第四阶段：中间件设置，动态UA，ip代理池）

1.中间件

根据scrapy运行流程中所在位置不同分为

1. 下载中间件
2. 爬虫中间件
3. 自定义中间件

中间件的作用

预处理request和response对象

1. 如果响应状态码不是200则请求重试（重新构造Request对象返回给引擎）
2. 可以对header以及cookie进行更换和处理
3. 使用代理ip等

但在Scrapy默认的情况下，两种中间件都在middlewares.py一个文件中。爬虫中间件使用方法和下载中间件相同，且功能重复，常使用下载中间件。

下载中间件的内部方法

Downloader Middlewares默认的方法：

• process_request(self, request, spider)

1. 1. 当每个request通过下载中间件时，该方法被调用
   2. 返回None值：没有return也是返回None，该request对象传递给下载器，或通过引擎传递给其他权重低的process_request方法
   3. 返回Response对象：不再请求，把response返回给引擎
   4. 返回Request对象：把request对象通过引擎交给调度器，此时将不通过其他权重低的process_request方法

• process_response(self, request, response, spider)

1. 1. 当下载器完成http请求，传递响应给引擎的时候调用
   2. 返回Resposne对象：通过引擎交给爬虫处理或交给权重更低的其他下载中间件的process_response方法
   3. 返回Request对象：通过引擎交给调度器继续请求，此时将不通过其他权重低的process_request方法

注意：需要在settings.py文件中开启中间件，权重越小越优先执行。

原始中间件一共封装五个方法，一般以下载中间件为例

def from_crawler(cls, crawler):d

作用：发送信号

def process_request(self, request, spider):

作用：处理请求对象

def process_response(self, request, response, spider):

作用：处理响应对象

def process_exception(self, request, exception, spider):

作用：捕获异常

def spider_opened(self, spider):

作用：日志记录，爬虫开始前的准备

2.设置动态UA

        scrapy自动中间件基本不用，也可以用。咱们自定义设置UA中间件，虽然说可以设置在一个py文件里，但把中间件放在一个文件夹里，方便改动。

一般中间件设在爬虫开始前，也就是def process_request(self, request, spider):里面

from scrapy import signals

# useful for handling different item types with a single interface
from itemadapter import is_item, ItemAdapter

import random

class UserAgentMiddleware:
    USER_AGENTS_LIST = [
        "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
        "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
        "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
        "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; en-US; rv:1.8.1.2pre) Gecko/20070215 K-Ninja/2.1.1",
        "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN; rv:1.9) Gecko/20080705 Firefox/3.0 Kapiko/3.0",
        "Mozilla/5.0 (X11; Linux i686; U;) Gecko/20070322 Kazehakase/0.4.5"
    ]

    def process_request(self, request, spider):
        print("------下载中间件----")
        # 随机选择UA
        user_agent = random.choice(self.USER_AGENTS_LIST)
        request.headers['User-Agent'] = user_agent
        # 不写return
        """
        如果返回None, 表示当前的response提交下一个权重低的process_request。
        如果传递到最后一个process_request,则传递给下载器进行下载。
        """

动态UA封装好了，下一步往中间件里开启请求中间件，注意路径，注意是下载器中间件。

DOWNLOADER_MIDDLEWARES = {
    # 'myspider.middlewares.MyspiderDownloaderMiddleware': 543,
    'myspider.middlewares.UA_middlewares.UserAgentMiddleware': 100,
}

以百度为例，测试：

测试如下:

3.设置ip代理池

以快代理文档为例，照着官方文档

往项目根目录下添加文件

#!/usr/bin/env python
# -- coding: utf-8 --
import time
import threading

import requests
from scrapy import signals

# 提取代理IP的api
api_url = 'https://dps.kdlapi.com/api/getdps/?secret_id=ognun8vlg7vrdu7v79dh&signature=m3omx2nq0e7ve3jij071jw2xbkehs6th&num=10&format=json&sep=1'
foo = True

class Proxy:

    def __init__(self, ):
        self._proxy_list = requests.get(api_url).json().get('data').get('proxy_list')

    @property
    def proxy_list(self):
        return self._proxy_list

    @proxy_list.setter
    def proxy_list(self, list):
        self._proxy_list = list


pro = Proxy()
print(pro.proxy_list)


class MyExtend:

    def __init__(self, crawler):
        self.crawler = crawler
        # 将自定义方法绑定到scrapy信号上,使程序与spider引擎同步启动与关闭
        # scrapy信号文档: https://www.osgeo.cn/scrapy/topics/signals.html
        # scrapy自定义拓展文档: https://www.osgeo.cn/scrapy/topics/extensions.html
        crawler.signals.connect(self.start, signals.engine_started)
        crawler.signals.connect(self.close, signals.spider_closed)

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

    def start(self):
        t = threading.Thread(target=self.extract_proxy)
        t.start()

    def extract_proxy(self):
        while foo:
            pro.proxy_list = requests.get(api_url).json().get('data').get('proxy_list')
            #设置每15秒提取一次ip
            time.sleep(15)

    def close(self):
        global foo
        foo = False

 然后在设置一个中间件

 设置好自己的账号和密码

#!/usr/bin/env python 
# -- coding: utf-8 -- 

"""
middlewares.py 中新增 ProxyDownloaderMiddleware 即代理中间件
请注意替换代码中的部分信息：username：用户名，password：密码
"""

from scrapy import signals
from myspider.myextend import pro
import random


class ProxyDownloaderMiddleware:

    def process_request(self, request, spider):
        proxy = random.choice(pro.proxy_list)

        # 用户名密码认证(私密代理/独享代理)
        username = ""
        password = ""
        request.meta['proxy'] = "http://%(user)s:%(pwd)s@%(proxy)s/" % {"user": username, "pwd": password, "proxy": proxy}

        # 白名单认证(私密代理/独享代理)
        # request.meta['proxy'] = "http://%(proxy)s/" % {"proxy": proxy}
        return None

最后在setting设置

既可以成功设置ip代理池，携带代理ip在请求回调参数里的meta['proxy']里面。

原来是通过中间件设置快代理api，然后可以设置一次性获得几个ip，然后随机携带代理ip，并且还可以几秒后重新获取ip。

还是按以下测试：

 结果如下：

 但有一个问题是，如果并不是每一个爬虫需要代理ip。直接设置在中间件，相当于每次运行都要提取ip，造成ip浪费。

4.爬虫自设置ip代理。

第一步在setting.py注释掉ip中间件

第二步 custom_setting自定义设置ip中间件

custom_settings = {}

 在爬虫添加这个，即表示添加代理

    custom_settings = {
        'DOWNLOADER_MIDDLEWARES': {
            'myspider.middlewares.ProxyDownloaderMiddleware.ProxyDownloaderMiddleware': 200,
        },
    }

效果如下： 

但是注意，一旦爬虫自定义中间件的话，以爬虫自定义的中间件为主。 

第四阶段，结束。