目录
Downloader Middlewares(下载器中间件)
一、process_request(self, request, spider)
二、process_response(self, request, response, spider)
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, request, spider), 这个方法是在请求发送之前会执行,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。
一、process_request(self, request, spider)
这个方法是下载器在发送请求之前会执行的。一般可以在这个方法里面设置随机代理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Node :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。
二、process_response(self, request, response, spider)
这个是下载器下载的数据到引擎中间会执行的方法。
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:下载器链接被切断,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
三、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吗,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:
setting.py
打开中间件
DOWNLOADER_MIDDLEWARES = {
'useragent.middlewares.UseragentDownloaderMiddleware': 543,
}
middlewares.py
随机选择请求头
class UseragentDownloaderMiddleware:
# Not all methods need to be defined. If a method is not defined,
# scrapy acts as if the downloader middleware does not modify the
# passed objects.
USER_AGENT = [
"Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/91.0.4472.101 Safari/537.36",
"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/57.0.2987.98 Safari/537.36 LBBROWSER",
"Mozilla/5.0 (Windows NT 10.0; Win64; x64; rv:82.0) Gecko/20100101 Firefox/82.0",
"Mozilla/5.0 (Windows NT 10.0; WOW64; Trident/7.0; rv:11.0) like Gecko",
]
def process_request(self, request, spider):
# Called for each request that goes through the downloader
# middleware.
# Must either:
# - return None: continue processing this request
# - or return a Response object
# - or return a Request object
# - or raise IgnoreRequest: process_exception() methods of
# installed downloader middleware will be called
user_agent = random.choice(self.USER_AGENT)
request.headers["User-Agent"] = user_agent
return None
httpbin.py
拿到结果并打印
import scrapy
class HttpbinSpider(scrapy.Spider):
name = 'httpbin'
allowed_domains = ['httpbin.org']
start_urls = ['http://httpbin.org/user-agent']
def parse(self, response):
ua = response.json()
print("*" * 30)
print(ua)
print("*" * 30)
return scrapy.Request(self.start_urls[0], dont_filter=True)
四、ip代理池中间件
1、购买代理
1、芝麻代理 https://zhimahttp.com/
2、太阳代理 http://http.taiyangruanjian.com/
3、快代理 https://www.kuaidaili.com/
4、讯代理 https://jahttp.zhimaruanjian.com/
等等
2、使用ip代理池
setting.py
打开中间件
ITEM_PIPELINES = {
'useragent.pipelines.UseragentPipeline': 300,
}
middlewares.py
随机选择请求头
class IpPorxyDownloaderMiddleware(object):
IPPROXY = [
"http://101.18.121.42:9999",
"http://175.44.108.56:9999",
"http://218.88.205.161:3256",
"http://114.99.9.251:1133",
]
def process_request(self, request, spider):
proxy = random.choice(self.IPPROXY)
request.meta['proxy'] = proxy
ipproxy.py
拿到结果并打印
import scrapy
class IpproxySpider(scrapy.Spider):
name = 'ipproxy'
allowed_domains = ['httpbin.org']
start_urls = ['http://httpbin.org/ip']
def parse(self, response):
ua = response.json()
print("*" * 30)
print(ua)
print("*" * 30)
return scrapy.Request(self.start_urls[0], dont_filter=True)
# 使用的是免费代理,不是很稳定,没能获取到结果
3、独享代理池
使用快代理的测试