Scrapy 教程(七)-架构与中间件

Scrapy 使用 Twisted 这个异步框架来处理网络通信，架构清晰，并且包含了各种中间件接口，可以灵活的完成各种需求。

Scrapy 架构

其实之前的教程都有涉及，这里再做个系统介绍

• Engine ：Scrapy 引擎，即控制中心，负责控制数据流在系统的各个组件中流动，并根据相应动作触发事件；引擎首先从爬虫获取初始request请求(1)
• Scheduler ： 调度器，调度器从引擎接收request请求(2)，并存入队列，在需要时再将request请求提供给引擎(3)
• Downloade ： 下载器，负责下载页面；从引擎获取request请求(4)，并将下载内容返回给引擎(5)
• Spider： 爬虫，解析html，提取数据；从引擎获取下载器返回的页面内容(6)，提取item数据返回给引擎(7)
• Item Pipeline： 数据处理管道，负责处理提取好的item，如清洗，存储等；从引擎获取item，并将新的url传递给调度器(8)

• 下载器中间件： 引擎与下载器之间特定钩子，其提供了一个简单机制，通过插入自定义代码来扩展Scrapy；可自定义 request 请求的方式及 response 的处理
• 爬虫中间件： 引擎与爬虫之间的特点钩子，机制同上；处理 输入 request 和输出 response【如给url加个数字，response 编码等】

中间件详解

Scrapy 自带很多中间件，这些中间件都可以被重写，重写的中间件需要手动激活。

中间件激活

下载中间件激活方法是设定 settings 文件中 DOWNLOADER_MIDDLEWARES 关键字

DOWNLOADER_MIDDLEWARES = {
   'qiushi.middlewares.UserAgent':1,
   'qiushi.middlewares.ProxyMiddleware':100,
   'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware':None}

数字代表优先级，通常取值为1-1000，数字越小，越靠近引擎，故数字越小，request 优先处理，数字越大，response 优先处理

爬虫中间件激活方式类，只是设定关键字为 SPIDER_MIDDLEWARES

自定义下载中间件

在创建爬虫项目时，框架自动生成了一个 middlewares.py 文件，里面定义了两个中间件，XXXSpiderMiddleware 和  XXXDownloaderMiddleware，但这两个中间件基本只是个空架子；

我们可以直接修改这两个中间件来实现自定义，也可以在这个文件中重新写，也可以自己创建文件重新写；

重写中间件时方法名是固定的；

process_request(self, request, spider)　　　　　　　　　　处理请求的中间件，最常用，如代理，伪装浏览器，headers等

process_response(self, request, response, spider):　　 处理响应的中间件

process_exception(self, request, exception, spider):处理异常的中间件

process_request

每次request请求都会自动调用这个方法；

该方法一般返回None，也可以返回 Response 对象、request 对象、IgnoreRequest对象

• None：继续处理该 request，执行其他中间件中的该方法，
• Response：请求结束，不再执行其他中间件的该方法，
• request：结束本请求，重新执行返回的request
• IgnoreRequest：执行 process_exception 方法；如果没有相应的方法处理异常，则调用 request 的 errback 方法；如果没有代码处理该异常，则忽略

具体例子可参考我的博客  https://www.cnblogs.com/yanshw/p/10858087.html

这里再展示一个 scrapy 与 requests 结合实现代理中间件的例子；

headers = {
    'user-agent': 'Mozilla/5.0 (Windows NT 6.1; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/67.0.3396.99 Safari/537.36',
    # 'Connection': 'close'
}

class Proxy_Middleware():

    def __init__(self):
        self.s = requests.session()

    def process_request(self, request, spider):
        try:
            xdaili_url = spider.settings.get('XDAILI_URL')　　　　# 应该是返回代理ip的url，买的代理
            r = self.s.get(xdaili_url, headers= headers)
            proxy_ip_port = r.text
            request.meta['proxy'] = 'http://' + proxy_ip_port
        except requests.exceptions.RequestException:
            print('***get xdaili fail!')
            spider.logger.error('***get xdaili fail!')

    def process_response(self, request, response, spider):
        if response.status != 200:
            try:
                xdaili_url = spider.settings.get('XDAILI_URL')

                r = self.s.get(xdaili_url, headers= headers)
                proxy_ip_port = r.text
                request.meta['proxy'] = 'http://' + proxy_ip_port
            except requests.exceptions.RequestException:
                print('***get xdaili fail!')
                spider.logger.error('***get xdaili fail!')

            return request
        return response

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

        try:
            xdaili_url = spider.settings.get('XDAILI_URL')

            r = self.s.get(xdaili_url, headers= headers)
            proxy_ip_port = r.text
            request.meta['proxy'] = 'http://' + proxy_ip_port
        except requests.exceptions.RequestException:
            print('***get xdaili fail!')
            spider.logger.error('***get xdaili fail!')

        return request

重试中间件

有时候代理会被远程拒绝或者超时，此时需要换个代理重新请求，就是重写中间件 scrapy.downloadermiddlewares.retry.RetryMiddleware

from scrapy.downloadermiddlewares.retry import RetryMiddleware
from scrapy.utils.response import response_status_message

class My_RetryMiddleware(RetryMiddleware):

    def process_response(self, request, response, spider):
        if request.meta.get('dont_retry', False):
            return response

        if response.status in self.retry_http_codes:
            reason = response_status_message(response.status)
            try:
                xdaili_url = spider.settings.get('XDAILI_URL')

                r = requests.get(xdaili_url)
                proxy_ip_port = r.text
                request.meta['proxy'] = 'https://' + proxy_ip_port
            except requests.exceptions.RequestException:
                print('获取讯代理ip失败！')
                spider.logger.error('获取讯代理ip失败！')

            return self._retry(request, reason, spider) or response
        return response

    def process_exception(self, request, exception, spider):
        if isinstance(exception, self.EXCEPTIONS_TO_RETRY) and not request.meta.get('dont_retry', False):
            try:
                xdaili_url = spider.settings.get('XDAILI_URL')

                r = requests.get(xdaili_url)
                proxy_ip_port = r.text
                request.meta['proxy'] = 'https://' + proxy_ip_port
            except requests.exceptions.RequestException:
                print('获取讯代理ip失败！')
                spider.logger.error('获取讯代理ip失败！')

            return self._retry(request, exception, spider)

selenium 中间件

用 selenium 实现中间件

from scrapy.http import HtmlResponse
from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from gp.configs import *

class ChromeDownloaderMiddleware(object):

    def __init__(self):
        options = webdriver.ChromeOptions()
        options.add_argument('--headless')  # 设置无界面
        if CHROME_PATH:
            options.binary_location = CHROME_PATH
        if CHROME_DRIVER_PATH:
            self.driver = webdriver.Chrome(chrome_options=options, executable_path=CHROME_DRIVER_PATH)  # 初始化Chrome驱动
        else:
            self.driver = webdriver.Chrome(chrome_options=options)  # 初始化Chrome驱动

    def __del__(self):
        self.driver.close()

    def process_request(self, request, spider):
        try:
            print('Chrome driver begin...')
            self.driver.get(request.url)  # 获取网页链接内容
            return HtmlResponse(url=request.url, body=self.driver.page_source, request=request, encoding='utf-8',
                                status=200)  # 返回HTML数据
        except TimeoutException:
            return HtmlResponse(url=request.url, request=request, encoding='utf-8', status=500)
        finally:
            print('Chrome driver end...')

process_response

当请求发出去返回时会调用该方法；

• 返回 Response，由下个中间件或者解析器parse处理；
• 返回 Request，说明没有成功返回，中间链停止，重新request；
• 返回 IgnoreRequest，回调函数 Request.errback将会被调用处理，若没处理，将会忽略

process_exception

处理异常

• 返回 None：调用其他中间件的该方法处理异常
• 返回 Response：异常已被处理，交给中间件的 process_response 方法处理
• 返回 Request：结束该 request，重新执行新的 request

from_crawler(cls, crawler)

这个函数通常是 访问 settings 和 signals 的入口；类方法

 @classmethod
 def from_crawler(cls, crawler):
     return cls(
            mysql_host = crawler.settings.get('MYSQL_HOST'),
            mysql_db = crawler.settings.get('MYSQL_DB'),
            mysql_user = crawler.settings.get('MYSQL_USER'),
            mysql_pw = crawler.settings.get('MYSQL_PW')
        )

scrapy 自带下载中间件

{
    'scrapy.downloadermiddlewares.robotstxt.RobotsTxtMiddleware': 100,
    'scrapy.downloadermiddlewares.httpauth.HttpAuthMiddleware': 300,
    'scrapy.downloadermiddlewares.downloadtimeout.DownloadTimeoutMiddleware': 350,
    'scrapy.downloadermiddlewares.defaultheaders.DefaultHeadersMiddleware': 400,
    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': 500,
    'scrapy.downloadermiddlewares.retry.RetryMiddleware': 550,
    'scrapy.downloadermiddlewares.ajaxcrawl.AjaxCrawlMiddleware': 560,
    'scrapy.downloadermiddlewares.redirect.MetaRefreshMiddleware': 580,
    'scrapy.downloadermiddlewares.httpcompression.HttpCompressionMiddleware': 590,
    'scrapy.downloadermiddlewares.redirect.RedirectMiddleware': 600,
    'scrapy.downloadermiddlewares.cookies.CookiesMiddleware': 700,
    'scrapy.downloadermiddlewares.httpproxy.HttpProxyMiddleware': 750,
    'scrapy.downloadermiddlewares.stats.DownloaderStats': 850,
    'scrapy.downloadermiddlewares.httpcache.HttpCacheMiddleware': 900,
}

RobotsTxtMiddleware 这个中间件会查看 settings 中 ROBOTSTXT_OBEY 是True还是False，如果是True，表示要遵守 Robots.txt 协议；

中间件验证

你可以通过自己认为可行的方式验证；

这里介绍一个网站，可以验证中间件是否生效

http://exercise.kingname.info

http://exercise.kingname.info/exercise_middleware_ua　　验证User-Agent

http://exercise.kingname.info/exercise_middleware_ip　　　　    验证代理

都可以翻页的，只需在url后加/page，如exercise.kingname.info/exercise_middleware_ip/3

自定义爬虫中间件

不是很常用，也是实现几个固定方法

process_spider_input(response, spider)

response 通过爬虫中间件时，该方法被调用

process_spider_output(response, result, spider)

爬虫处理完 response 时，调用该方法，必须返回 Request或者 Item对象的可迭代对象

process_spider_exception(response, exception, spider)

当spider中间件抛出异常时，这个方法被调用，返回None或可迭代对象的Request、dict、Item

参考资料：

https://zhuanlan.zhihu.com/p/42498126

https://www.jianshu.com/p/70af817db7df

http://www.cnblogs.com/xieqiankun/p/know_middleware_of_scrapy_1.html

https://blog.csdn.net/on_the_road_2018/article/details/80985524　　　　这个教程有详细的cookie登录