Scrapy框架(八)下载中间件(Downloader Middlewares)的使用

版权声明:本文为博主原创文章,未经博主允许不得转载。-QQ1164014750-微信公众号:耿子blog https://blog.csdn.net/qq_28817739/article/details/79967940

(1)前言

先祭出框架图:


下载中间件(Downloader Middlewares) 位于scrapy引擎和下载器之间的一层组件。

作用:

(1)引擎将请求传递给下载器过程中, 下载中间件可以对请求进行一系列处理。比如设置请求的 User-Agent,设置代理等

(2)在下载器完成将Response传递给引擎中,下载中间件可以对响应进行一系列处理。比如进行gzip解压等。

我们主要使用下载中间件处理请求,一般会对请求设置随机的User-Agent ,设置随机的代理。目的在于防止爬取网站的反爬虫策略。

(2)配置下载中间件的步骤

1,在settings.py中配置下载中间件和随机的User-agent和proxy

(1)配置下载中间件

DOWNLOADER_MIDDLEWARES = {
    #'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': None,
    'umei.middlewares.RandomUserAgent': 301,
    'umei.middlewares.RandomProxy': 302,
}

在这个配置中,我们将需要启用的下载中间件配置一下。

'umei.middlewares.RandomUserAgent': 301

就是我们编写的 下载中间件的class 名, 后面的301 是优先级,数字越小优先级越高

可以先空着,等会写完再设置。

(2)设置随机User-agent和proxy

#user-agent 集合
USER_AGENTS=[
    "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",
]

# 代理ip
PROXIES = [
    {'ip_port': '115.223.213.94:9000', 'user_passwd': ''},
    {'ip_port': '60.214.155.243:53281', 'user_passwd': ''},
    {'ip_port': '121.232.146.162:9000', 'user_passwd': ''},
    {'ip_port': '113.116.146.178:9000', 'user_passwd': ''},
]

在setting文件中配置即可。

其中proxy 可以购买,也可以使用免费的。网上有很多代理ip的网站。

一般付费的,都会给你提供一个user_passwd 就是代理认证。

这里选取的都是免费的。就没有代理认证。

如果是需要认证的一般是:{'ip_port': '122.224.249.122:8088', 'user_passwd': 'user1:pass1'} 的形式

2,创建下载中间件Class

在我们创建好的scrapy 的爬虫项目中,会提供一个middlewares.py ,该文件会在默认创建两个下载中间件


其中比较重要的两个方法就是:process_request 和 process_response

参考scrapy中文文档:

http://scrapy-chs.readthedocs.io/zh_CN/latest/topics/downloader-middleware.html?highlight=%E4%B8%8B%E8%BD%BD%E4%B8%AD%E9%97%B4%E4%BB%B6

介绍如下:

classscrapy.contrib.downloadermiddleware.DownloaderMiddleware
process_request(requestspider)

当每个request通过下载中间件时,该方法被调用。

process_request() 必须返回其中之一: 返回 None 、返回一个 Response 对象、返回一个 Request 对象或raise IgnoreRequest 。

如果其返回 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)。

如果其返回 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。

如果其返回 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。

如果其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(不同于其他异常那样)。

参数:
  • request (Request 对象) – 处理的request
  • spider (Spider 对象) – 该request对应的spider
process_response(requestresponsespider)

process_request() 必须返回以下之一: 返回一个 Response 对象、 返回一个 Request 对象或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)。

参数:
  • request (Request 对象) – response所对应的request
  • response (Response 对象) – 被处理的response
  • spider (Spider 对象) – response所对应的spider

大致了解上面的两个方法,我们这次主要使用process_request 

下面创建我们自己的下载中间件:middlewares.py

from scrapy import signals
from umei.settings import USER_AGENTS,PROXIES
import random
import base64

class RandomUserAgent(object):
    """
    产生随机的useragent
    """

    def process_request(self, request, spider):
        useragent = random.choice(USER_AGENTS)
        request.headers.setdefault("User-Agent", useragent)
        print useragent


class RandomProxy(object):
    """
    使用不同的代理ip
    """
    def process_request(self, request, spider):
        proxy = random.choice(PROXIES)

        if proxy['user_passwd'] == '':
            request.meta['proxy'] = "http://"+proxy['ip_port']
            print proxy['ip_port']+"代理"
        else :
            # 对账户密码进行base64编码转换
            base64_userpasswd = base64.b64encode(proxy['user_passwd'])
            # 对应到代理服务器的信令格式里
            request.headers['Proxy-Authorization'] = 'Basic ' + base64_userpasswd
            request.meta['proxy'] = "http://" + proxy['ip_port']

我们使用random.choice() 这个方法来产生随机的user-agent 和 proxy

其中在对 proxy ip 进行认证的时候,需要使用 base64 对其进行转码。


为什么HTTP代理要使用base64编码:

HTTP代理的原理很简单,就是通过HTTP协议与代理服务器建立连接,协议信令中包含要连接到的远程主机的IP和端口号,如果有需要身份验证的话还需要加上授权信息,服务器收到信令后首先进行身份验证,通过后便与远程主机建立连接,连接成功之后会返回给客户端200,表示验证通过,就这么简单,下面是具体的信令格式:

CONNECT 59.64.128.198:21 HTTP/1.1
Host: 59.64.128.198:21
Proxy-Authorization: Basic bGV2I1TU5OTIz
User-Agent: OpenFetion

其中Proxy-Authorization是身份验证信息,Basic后面的字符串是用户名和密码组合后进行base64编码的结果,也就是对username:password进行base64编码。

HTTP/1.0 200 Connection established

OK,客户端收到收面的信令后表示成功建立连接,接下来要发送给远程主机的数据就可以发送给代理服务器了,代理服务器建立连接后会在根据IP地址和端口号对应的连接放入缓存,收到信令后再根据IP地址和端口号从缓存中找到对应的连接,将数据通过该连接转发出去。

3,运行测试

命令: scrapy crawl xx爬虫名


注意,可能会出现的问题:

TCP connection timed out: 10060:由于连接方在一段时间后没有正确答复或连接的主机没有反应,连接尝试失败"

说明你设置的代理ip 失效了不能使用了。 免费的一般都是这样。

参考网站:https://blog.csdn.net/u011781521/article/details/70194744?locationNum=4&fps=1

4,总结

设置下载中间件能帮助我们避免一些反爬策略,可以采用付费的代理ip,能更好的解决问题。

源码:https://github.com/gengzi/umei

阅读更多

没有更多推荐了,返回首页