Scrapy——Downloader Middleware

下载器中间件是介于Scrapy的request/response处理的钩子框架。是用于全局修改Scrapy request和response的一个轻量、底层的系统。

Downloader Middleware处理的过程主要在调度器发送requests请求的时候以及网页将response结果返回给spiders的时候，所以从这里我们可以知道下载中间件是介于Scrapy的request/response处理的钩子，用于修改Scrapy request和response。

class Scrapy.downloadermiddleares.DownloaderMiddleware

process_request(request,spider)

当每个request通过下载中间件时，该方法被调用，这里有一个要求，该方法必须返回以下三种中的任意一种：None,返回一个Response对象，返回一个Request对象或raise IgnoreRequest。三种返回值的作用是不同的。

None:Scrapy将继续处理该request，执行其他的中间件的相应方法，直到合适的下载器处理函数(download handler)被调用,该request被执行(其response被下载)。

Response对象：Scrapy将不会调用其他低优先级的process_request()或process_exception() 方法；其将返回该response，每个Download Middleware 的process_response() 方法被依次调用，调用完毕后，直接将Response对象发送给Spider处理。

Request对象：Scrapy则停止调用其他低优先级的 process_request方法，这个Request回重新放到调度队列里，其实它就是一个新Request。当新返回的request被执行后，相应地中间件process_request()将会被重新按照顺序调用。

raise一个IgnoreRequest异常：则安装的下载中间件的 process_exception() 方法会被调用。如果没有任何一个方法处理该异常，则request的errback(Request.errback)方法会被调用。如果没有代码处理抛出的异常，则该异常被忽略且不记录。

process_response(request, response, spider)

process_response的返回值也是有三种：response对象，request对象，或者raise一个IgnoreRequest异常

Response：更低优先级的Downloader Middleware 的process_response()方法会继续调用，继续对该Response 对象进行处理。

Request 对象：更低优先级的Downloader Middleware 的process_response()也不再被继续调用，该Request 对象会重新放到调度队列里面等待被调度，它相当于一个全新的 Request 。然后，该Request 又会被process_request()方法顺次处理。

raise一个 IgnoreRequest 异常：则调用request的errback(Request.errback)。如果没有代码处理抛出的异常，则该异常被忽略且不记录(不同于其他异常那样)。

process_exception(request, exception, spider)

当下载处理器(download handler)或 process_request() (下载中间件)抛出异常(包括 IgnoreRequest 异常)时，Scrapy调用 process_exception()。

process_exception() 也是返回三者中的一个: 返回 None 、一个 Response 对象、或者一个 Request 对象。

None：当返回为None 时，更低优先级的Downloader Middleware 的process_exception()会被继续顺次调用，直到所有的方法都被调度完毕。

Response 对象：更低优先级的Downloader Middleware 的process_exception()方法不再被继续调用，每个Downloader Middleware 的process_response()方法转而被依次调用。

Request 对象：更低优先级的Downloader Middleware 的process_exception()也不再被继续调用，该Request 对象会重新放到调度队列里面等待被调度，它相当于一个全新的 Request 。然后，该Request 又会被process_request()方法顺次处理。

案例：

1、利用process_request(request,spider)在请求链接前修改代理地址：

class ProxyMiddleare(object):
    logger = logging.getLogger(__name__)
    def process_request(self,request, spider):
        self.logger.debug("Using Proxy")
        request.meta['proxy'] = 'http://127.0.0.1:9743'
        return None

2、利用process_response(request, response, spider)修改状态码

class ReqponseMiddleare(object):
    logger = logging.getLogger(__name__)
    def process_response(self,request, spider):
        self.logger.debug("modify response.status")
        request.status = 201
        return response

　　然后在spider中打印状态码：

class HtttpbinSpider(Spider):
    name = 'httpbin'
    allowed_domains = ['httpbin.org']
    start_url = ['http://httpbin.org/get']

def parst(self, response):
    print('状态码为:',reponse.status)

3、利用process_exception(request, exception, spider)请求出现报错后修改代理然后重新请求

首先请求google，请求无法成功，等待10s后重试

class GoogleSpider(Spider):
    name = 'google'
    allowed_domains = ['www.google.com']
    start_url = ['http://www.google.xom']

def make_request_from_url(self, url):
    return scrapy.Request(url=url,meta={'download_timeout':10},callback=self.parse)

def parse(self,reponse):
    print(respoonse.text)

　　如果不想重试的话可以把重试中间件关掉，关掉后爬取出现异常报错

如果关掉重试中间件不想报错的话，将代理中间件的代理改成如下，表示遇到异常的时候给请求加上代理，并返回request,这个样就会重新请求谷歌

class ProxyMiddleare(object):
    logger = logging.getLogger(__name__)
    def process_expextion(self,request, exception,spider):
        self.logger.info("GET Exception")
        request.meta['proxy']='http://127.0.0.1:9743'
        return request

4、设置cookies

一般设置

#cookie为一个字典类型数据
def process_request(self, request, spider):
    request.cookies = cookies

Scrapy——Downloader Middleware

class Scrapy.downloadermiddleares.DownloaderMiddleware

案例：

猜你喜欢