scrapy中间件之下载中间件使用（网易新闻爬取）

scrapy项目中的middlewarse.py中间件　　

爬虫中间件：目前先不介绍

下载中间件（需要在settings.py中开启）　

　　　　　　　　　　　　　　　　

（1）请求处理函数：process_request(self, request, spider)
　　可以针对url请求指定UA伪装、配置代理等功能（UA伪装可以在settings.py中进行全局配置，代理配置更倾向于在异常处理函数，大部分异常都是因为ip的问题）　　

   def process_request(self, request, spider):
         #UA伪装
         # request.headers['User-Agent']=random.choice(UA_list)
 
         #ip代理配置(一般更多的放在process_exception异常处理函数中)
         # request.meta['proxy']='http[s]://ip:port'
         return None

process_request

（2）响应处理函数：process_response(self, request, response, spider)
　　对于一些网页请求，立即相应的数据可能不完全，页面部分内容是通过触发滚轮或者下拉操作才会动态加载的数据，因此获取的到数据并不是完整的，需要对响应对象进行篡改（比如通过selenium模拟浏览器操作获取到完整数据）后返回。
　　

（3）异常处理函数：process_exception(self, request, exception, spider)
　　对于请求异常处理，一般可以更换ip设置代理操作

  def process_exception(self, request, exception, spider):
         #对请求异常进行修正
         #更换代理(一定要 return request将请求返回以便再次发起)
         # request.meta['proxy']='http[s]://ip:port'
         # return request
         pass

process_exception

网易新闻爬取案例：

　　分析页面可以获知不同板块内容都是页面下拉动态加载的：国内、国际、军事、航空、无人机这几个板块内容都是标题都是在div中的一个a标签中，因此统一来进行爬取解析！

　　1.新建爬虫项目　　

scrapy startproject firstPro
cd firstPro
scrapy genspider middlewareTest www.xxx.com　　

　　2.编写爬虫文件middlewareTest.py

 # -*- coding: utf-8 -*-
 import scrapy
 from firstPro.items import FirstproItem
 from selenium import webdriver
 
 class MiddlewaretestSpider(scrapy.Spider):
     name = 'middlewareTest'
     # allowed_domains = ['www.xxx.com']
     start_urls = ['https://news.163.com/']
     plate_urls=[]#存放板块的url,以便在下载中间件次改请求获取完整标题数据
     def __init__(self):
         self.bro=webdriver.Chrome(executable_path=r'E:\Python项目\爬虫\day110_20190809(全站爬取、分布式爬虫)\firstPro\firstPro\spiders\chromedriver.exe')#初始化浏览器实例
     def parse(self, response):
         #解析首页标题板块
         li_list=response.xpath('//div[@class="ns_area list"]/ul/li')
         print(len(li_list))
         #确定爬取的板块
         index_list=[4,5,7,8,9]
         for index in index_list:
             item=FirstproItem()
             plate=li_list[index-1].xpath('./a/text()').extract_first()
             url=li_list[index-1].xpath('./a/@href').extract_first()
             self.plate_urls.append(url)
             item['plate']=plate
             # 对每个板块进行发起请求，获取标题信息
             yield scrapy.Request(url,callback=self.parse_title,meta={"item":item})
             break
     #对每个板块的新闻标题进行解析，但是新闻标题都是动态加载的，因此直接的响应对象不完整，需要通过下载中间件对新闻板块标题获取进行处理
     #解决思路：为获取板块完整标题内容，需要模拟浏览器下拉操作，结合使用selenuim在下载中间件进行操作
     def parse_title(self, response):
         item=response.meta['item']
         #解析每个板块中的新闻标题
         div_list=response.xpath('//div[@class="ndi_main"]/div')
         for div in div_list:
             title=div.xpath('./div/div[1]/h3/a/text()').extract_first()
             url=div.xpath('./div/div[1]/h3/a/@href').extract_first()
             item["title"]=title
             #对每个标题详情发起请求
             yield scrapy.Request(url,callback=self.parse_detail,meta={"item":item})
 
     def parse_detail(self,response):
         item = response.meta['item']
         #解析每个标题对应的详细新闻内容
         content="".join(response.xpath('//*[@id="endText"]//text()').extract())
         item["content"]=content
         yield item
 
     # 程序全部结束的时候被调用
     def closed(self, spider):
         print('结束爬虫！！！')
         self.bro.quit()

爬虫脚本middlewareTest.py

　　3.定义items.py字段属性

 import scrapy
 
 class FirstproItem(scrapy.Item):
     # define the fields for your item here like:
     # name = scrapy.Field()
     #新闻板块
     plate=scrapy.Field()
     #新闻标题
     title=scrapy.Field()
     #新闻详情
     content=scrapy.Field()
     pass

items.py

　　4.管道pipelines.py持久化

 import redis
 class FirstproPipeline(object):
     #持久化存储在redis数据库中
     conn=None
     # def open_spider(self,spider):
     #     self.conn=redis.Redis(host="127.0.0.1",port=6379)
 
     def process_item(self, item, spider):
         # self.conn.lpush('wangyi',dict(item))
         print(item)
         return item

pipelines.py

　　5.settings.py配置

 #UA伪装
 USER_AGENT = "Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/63.0.3239.132 Safari/537.36"
 
 #robots协议
 ROBOTSTXT_OBEY = False
 
 #输出日志等级
 LOG_LEVEL="ERROR"
 
 #打开下载中间件
 DOWNLOADER_MIDDLEWARES = {
    'firstPro.middlewares.FirstproDownloaderMiddleware': 543,
 }
 
 #打开管道
 ITEM_PIPELINES = {
    'firstPro.pipelines.FirstproPipeline': 300,
 }