爬虫工作量由小到大的思维转变---＜第二十六章 Scrapy通一通中间件的问题＞

前言:

准备迈入scrapy-redis或者是scrapyd的领域进行一番吹牛~ 忽然想到,遗漏了中间件这个环节! 讲吧~太广泛了;不讲吧,又觉得有遗漏...所以,本章浅谈中间件;

(有问题,欢迎私信! 我写文告诉你解法)

正文:

当我们谈到 Scrapy 的中间件时，可以将其比作一个特殊的助手，负责在爬虫的不同阶段进行处理和干预。Scrapy 有两种类型的中间件：爬虫中间件和下载中间件。它们可以对请求、响应和爬虫的整个生命周期进行干预，以实现诸如修改请求、处理响应、处理异常等功能。

1. 爬虫中间件（Spider Middleware）：

   爬虫中间件负责处理爬虫和 Scrapy 引擎之间的通信。它们可以拦截并处理从引擎到爬虫、从爬虫到引擎进行的请求和响应。爬虫中间件提供了 `process_spider_input()` 和 `process_spider_output()` 方法，允许你处理请求和响应，或修改爬虫的输出结果。

案例:

我们的爬虫需要从一个电影网站上爬取电影的名称和评分。但是，该网站对于非登录用户来说，只显示了电影名称，评分信息需要通过另一个 API 请求获取。为了实现这个功能，我们可以编写一个爬虫中间件，通过拦截爬虫的输出，并发送额外的请求获取电影评分信息，并将其添加到爬虫的输出结果中。

import requests
from scrapy.exceptions import IgnoreRequest

class RatingsMiddleware:
    def process_spider_output(self, response, result, spider):
        for item in result:
            if isinstance(item, dict) and 'movie_name' in item:
                movie_name = item['movie_name']
                ratings = self.get_movie_ratings(movie_name)
                item['ratings'] = ratings
                yield item
            else:
                yield item
    
    def get_movie_ratings(self, movie_name):
        # 发送评分请求，获取电影评分信息
        api_url = f'https://api.example.com/ratings?movie_name={movie_name}'
        response = requests.get(api_url)
        
        if response.status_code == 200:
            ratings = response.json().get('ratings')
            return ratings
        else:
            raise IgnoreRequest(f'没抓取到这个电影: {movie_name}')

我们编写了一个自定义的爬虫中间件 RatingsMiddleware。在 process_spider_output() 方法中，我们通过检查爬虫输出的每个项，找到包含电影名称的字典项，并为每部电影发送一个额外的请求来获取评分信息。
在 get_movie_ratings() 方法中，我们使用 requests 发送评分请求，并从返回的响应中提取评分信息。如果请求成功，我们将评分信息添加到爬虫输出的对应电影项中，然后通过 yield 返回结果。如果请求失败，我们使用 raise IgnoreRequest 来忽略该项，并记录失败消息。
通过使用这个中间件，我们可以在爬虫的爬取过程中获取电影评分信息，并将其添加到输出结果中。这样，我们就可以在爬虫完成后拥有完整的电影信息，包括名称和评分。

2. 下载中间件（Downloader Middleware）：

   下载中间件在引擎和下载器之间进行干预和处理，管理请求和响应的传递过程。它们可以修改发送给下载器的请求和接收到的响应，还可以在发生异常或其他情况下进行处理。下载中间件提供了 `process_request()` 和 `process_response()` 方法，允许你处理请求和响应，或对其进行修改。

通过编写自定义的中间件，你可以利用这些钩子方法来实现一些自定义的功能，比如请求的动态修改、添加头部信息、处理异常、实现代理、处理重试逻辑等。使用中间件可以将这些功能模块化，提高代码可重用性，简化业务逻辑，以及进行一些全局的请求和响应处理。

Scrapy 提供了一些内置的中间件，如自动处理 Cookies、处理重试逻辑、处理 User-Agent 伪装等。此外，你还可以根据自己的需求编写和配置自定义的中间件，将其添加到 Scrapy 的中间件流程中，以实现更高级和个性化的功能。

案例1(随机请求头中间件):

import random
from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware

class RandomUserAgentMiddleware(UserAgentMiddleware):
    def __init__(self, user_agent_list):
        self.user_agent_list = user_agent_list

    @classmethod
    def from_crawler(cls, crawler):
        settings = crawler.settings
        user_agent_list = settings.get('USER_AGENT_LIST', [])

        return cls(user_agent_list)

    def process_request(self, request, spider):
        request.headers.setdefault('User-Agent', random.choice(self.user_agent_list))

在这个自定义的中间件 RandomUserAgentMiddleware 中，继承了 Scrapy 的内置 UserAgentMiddleware 类，并重写了 process_request() 方法。在这个方法中，我们使用 random.choice() 函数从给定的 User-Agent 列表中随机选择一个 User-Agent，然后将其设置为请求头的 User-Agent。

要使用这个自定义中间件，需要在 Scrapy 的设置中添加一个名为 USER_AGENT_LIST 的设置项，其中包含了待选择的 User-Agent 列表。在 Scrapy 的设置文件（例如 settings.py）中进行配置：(例如)

USER_AGENT_LIST = [
    'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.93 Safari/537.36',
    'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/96.0.4664.93 Safari/537.36',
    # 添加更多的 User-Agent
]



DOWNLOADER_MIDDLEWARES = {
    'your_project_name.RandomUserAgentMiddleware': 400,
    # 其他下载中间件...
}

案例2:

假设我们的爬虫需要登录到一个受保护的网站，才能获取所需的数据。我们需要模拟登录，并在登录成功后保持会话（使用 Cookie）来进行后续的请求。

为了实现这个功能，我们将结合使用 CookieMiddleware 和 UserAgentMiddleware 来处理请求的 Cookie 和 User-Agent 头部信息。

from scrapy import Request
from scrapy.downloadermiddlewares.cookies import CookiesMiddleware
from scrapy.downloadermiddlewares.useragent import UserAgentMiddleware

class LoginMiddleware:
    def __init__(self):
        self.login_url = 'https://example.com/login'
        self.username = 'your_username'
        self.password = 'your_password'
        self.logged_in = False

    def process_request(self, request, spider):
        if not self.logged_in:
            return self.login(request)
        return None

    def login(self, request):
        # 发送登录请求
        login_request = Request(
            url=self.login_url,
            method='POST',
            formdata={
                'username': self.username,
                'password': self.password
            }
        )
        login_request.meta['handle_httpstatus_list'] = [302]  # 处理登录重定向
        return login_request

class CustomHeadersMiddleware:
    def process_request(self, request, spider):
        # 动态添加自定义请求头信息
        request.headers['Referer'] = 'https://example.com'
        return None

# 将中间件添加到下载中间件的配置中
DOWNLOADER_MIDDLEWARES = {
    'scrapy.downloadermiddlewares.cookies.CookiesMiddleware': 700,
    'scrapy.downloadermiddlewares.useragent.UserAgentMiddleware': 800,
    'your_project_name.LoginMiddleware': 750,  # 自定义登录中间件
    'your_project_name.CustomHeadersMiddleware': 900  # 自定义请求头中间件
}

在上述代码中，我们定义了 LoginMiddleware 作为自定义的登录中间件，它负责在请求中检查是否需要登录并发送登录请求。如果还未登录，则创建一个登录请求，并将其返回给 Scrapy 引擎，从而触发登录过程。
与此同时，我们还有一个自定义的 CustomHeadersMiddleware，用于动态添加自定义的请求头信息。
将这些中间件添加到 Scrapy 的下载中间件配置中（DOWNLOADER_MIDDLEWARES），并按照优先级顺序进行配置。

总结:

浅谈了 Scrapy 的中间件，用几个案例为例进行了讲解。其实,中间件的最大重要,莫过于"自定义"三个字! 你的爬虫花不花哨,全在这里面了! 特别是涉及逆向登录,渗T等,那不是这里能讲的~ 不过对于爬虫开发来说,一般没什么特别的网站需要破,基本用用scrapy自带的组件都能写好!

......没啥了,其实吧~搞爬虫没啥意思.....额!