Spider Middleware是介入到Scrapy的Spider处理机制的钩子框架。我们首先来看看它的架构，如下图所示。
当Downloader生成Response之后，Response会被发送给Spider，在发送给Spider之前，Response会首先经过Spider Middleware处理，当Spider处理生成Item和Request之后，Item和Request还会经过Spider Middleware的处理。
Spider Middleware有如下三个作用。
我们可以在Downloader生成的Response发送给Spider之前，也就是在Response发送给Spider之前对Response进行处理。
我们可以在Spider生成的Request发送给Scheduler之前，也就是在Request发送给Scheduler之前对Request进行处理。
我们可以在Spider生成的Item发送给Item Pipeline之前，也就是在Item发送给Item Pipeline之前对Item进行处理。
一、使用说明
需要说明的是，Scrapy其实已经提供了许多Spider Middleware，它们被SPIDER_MIDDLEWARES_BASE这个变量所定义。
SPIDER_MIDDLEWARES_BASE变量的内容如下：
{
'scrapy.spidermiddlewares.httperror.HttpErrorMiddleware': 50,
'scrapy.spidermiddlewares.offsite.OffsiteMiddleware': 500,
'scrapy.spidermiddlewares.referer.RefererMiddleware': 700,
'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware': 800,
'scrapy.spidermiddlewares.depth.DepthMiddleware': 900,
}和Downloader Middleware一样，Spider Middleware首先加入到SPIDER_MIDDLEWARES设置中，该设置会和Scrapy中SPIDER_MIDDLEWARES_BASE定义的Spider Middleware合并。然后根据键值的数字优先级排序，得到一个有序列表。第一个Middleware是最靠近引擎的，最后一个Middleware是最靠近Spider的。
二、核心方法
Scrapy内置的Spider Middleware为Scrapy提供了基础的功能。如果我们想要扩展其功能，只需要实现某几个方法即可。
每个Spider Middleware都定义了以下一个或多个方法的类，核心方法有如下4个。
process_spider_input(response, spider)。process_spider_output(response, result, spider)。process_spider_exception(response, exception, spider)。process_start_requests(start_requests, spider)。
只需要实现其中一个方法就可以定义一个 Spider Middleware。下面我们来看看这4个方法的详细用法。
1. process_spider_input(response, spider)
当Response被Spider Middleware处理时，process_spider_input()方法被调用。
process_spider_input()方法的参数有如下两个。
response，是Response对象，即被处理的Response。spider，是Spider对象，即该Response对应的Spider。
process_spider_input()应该返回None或者抛出一个异常。
如果它返回None，Scrapy将会继续处理该Response，调用所有其他的Spider Middleware，直到Spider处理该Response。
如果它抛出一个异常，Scrapy将不会调用任何其他Spider Middleware的
process_spider_input()方法，而调用Request的errback()方法。errback的输出将会被重新输入到中间件中，使用process_spider_output()方法来处理，当其抛出异常时则调用process_spider_exception()来处理。
2. process_spider_output(response, result, spider)
当Spider处理Response返回结果时，process_spider_output()方法被调用。
process_spider_output()方法的参数有如下三个。
response，是Response对象，即生成该输出的Response。result，包含Request或Item对象的可迭代对象，即Spider返回的结果。spider，是Spider对象，即其结果对应的Spider。
process_spider_output()必须返回包含Request或Item对象的可迭代对象。
3. process_spider_exception(response, exception, spider)
当Spider或Spider Middleware的process_spider_input()方法抛出异常时，process_spider_exception()方法被调用。
process_spider_exception()方法的参数有如下三个。
response，是Response对象，即异常被抛出时被处理的Response。exception，是Exception对象，即被抛出的异常。spider，是Spider对象，即抛出该异常的Spider。
process_spider_exception()必须要么返回None，要么返回一个包含Response或Item对象的可迭代对象。
如果它返回
None，Scrapy将继续处理该异常，调用其他Spider Middleware中的process_spider_exception()方法，直到所有Spider Middleware都被调用。如果它返回一个可迭代对象，则其他Spider Middleware的
process_spider_output()方法被调用，其他的process_spider_exception()不会被调用。
4. process_start_requests(start_requests, spider)
process_start_requests()方法以Spider启动的Request为参数被调用，执行的过程类似于process_spider_output()，只不过它没有相关联的Response，并且必须返回Request。
process_start_requests()方法的参数有如下两个。
start_requests，是包含Request的可迭代对象，即Start Requests。spider，是Spider对象，即Start Requests所属的Spider。
process_start_requests()必须返回另一个包含Request对象的可迭代对象。
三、结语
本节介绍了Spider Middleware的基本原理和自定义Spider Middleware的方法。Spider Middleware使用的频率不如Downloader Middleware的高，在必要的情况下它可以用来方便数据的处理。
本资源首发于崔庆才的个人博客静觅： Python3网络爬虫开发实战教程 | 静觅
如想了解更多爬虫资讯，请关注我的个人微信公众号：进击的Coder
weixin.qq.com/r/5zsjOyvEZ… (二维码自动识别)