scrapy对接selenium原理超详细解读！！！！

最新推荐文章于 2024-09-29 14:23:10 发布

独角兽小马

最新推荐文章于 2024-09-29 14:23:10 发布

阅读量2.6k

点赞数

文章标签： selenium 爬虫 python

本文链接：https://blog.csdn.net/weixin_44457673/article/details/120074707

版权

详解

下载器中间件常见方法解读

下载器中间件有什么作用:

1:在scheduler（调度器）中调取一个request（请求），发送给Downloader（下载器）之前,我们可以对request（请求）进行修改.

2:在Downloader（下载器）返回response（响应）给spider之前,我们可以对response（响应）进行修改.

下载器中间件的功能十分强大,修改User-Agent,处理重定向,设置代理,失败重试,设置cookie等都需要它来操作.

首先，我们要先理解下载器中间件的常见的方法

1、from_crawler(cls, crawler)

此方法是下载器中间件的主要入口，接受一个crawler实例

@classmethod
def from_crawler(cls, crawler):
    settings = crawler.settings
    return cls()

通过类方法 from_crawler 将它传递给扩展(extensions)。该对象提供对所有Scrapy核心组件的访问，也是扩展访问Scrapy核心组件和挂载功能到Scrapy的唯一途径。

Crawler必须使用 scrapy.spiders.Spider 子类及 scrapy.settings.Settings 的对象进行实例化

中间件中大部分类方法都是为了获取设置setting中的自定义的信息。

@classmethod将此方法变为类方法，
详情讲解请移步：python 类方法实例方法静态方法作用及区别

2、process_request(request, spider)

为通过下载中间件的每个请求调用此方法。

    def process_request(self, request, spider):
        # request
        # spider指的是当前是哪个爬虫发送过来的request对象

        # 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
        return None

process_request()应该是： return None，返回一个 Response对象，返回一个Request 对象，或 raise IgnoreRequest。

如果它返回None，Scrapy 将继续处理这个请求，执行所有其他中间件，直到最终调用适当的下载器处理程序执行请求（并下载其响应）。

如果它返回一个Response对象，Scrapy 就不会调用任何其他方法process_request()或process_exception()方法，或者适当的下载函数；它会返回那个响应process_response() 安装的中间件的方法总是在每次响应时调用。

如果它返回一个Request对象，Scrapy 将停止调用 process_request 方法并重新安排返回的请求。执行新返回的请求后，将在下载的响应上调用适当的中间件链。

如果引发IgnoreRequest异常，将process_exception()调用已安装的下载器中间件的方法。如果它们都没有处理异常，Request.errback则调用请求 ( )的 errback函数。如果没有代码处理引发的异常，它将被忽略并且不记录（与其他异常不同）。

参数 request ( Requestobject) – 正在处理的请求
spider ( Spiderobject) – 此请求针对的蜘蛛

3、process_response(request, response, spider)

处理响应：当下载器完成http请求，传递响应给引擎的时候该方法被调用

    def process_response(self, request, response, spider):
        # request-我们发送了哪个请求得到了当前的响应
        # spider- 我们使用了哪个爬虫发送了请求为了得到当前的响应

        # Called with the response returned from the downloader.

        # Must either;
        # - return a Response object
        # - return a Request object
        # - or raise IgnoreRequest
        return response

process_response()应该：返回一个Response 对象，返回一个Request对象或引发IgnoreRequest异常。

如果它返回一个Response（它可能是相同的给定响应，也可能是一个全新的响应），则该响应将继续使用process_response()链中的下一个中间件的进行处理。

如果它返回一个Request对象，中间件链就会停止，并且返回的请求被重新安排在将来下载。这与从返回请求的行为相同process_request()。

如果它引发IgnoreRequest异常，Request.errback则调用请求 ( )的 errback
函数。如果没有代码处理引发的异常，它将被忽略并且不记录（与其他异常不同）。

参数 request (is a Requestobject) – 发起响应的请求
response ( Responseobject) – 正在处理的响应
spider ( Spiderobject) – 此响应针对的蜘蛛

4、process_exception(request, exception, spider)

Scrapyprocess_exception()在下载处理程序或process_request()（来自下载器中间件）引发异常（包括IgnoreRequest异常）时调用

    def process_exception(self, request, exception, spider):
        # Called when a download handler or a process_request()
        # (from other downloader middleware) raises an exception.

        # Must either:
        # - return None: continue processing this exception
        # - return a Response object: stops process_exception() chain
        # - return a Request object: stops process_exception() chain
        pass