zoukankan      html  css  js  c++  java

  • Python3 Scrapy爬虫框架-Downloader Middleware

    • Downloader Middleware：下载中间件，它处于Scrapy的Request和Response之间的处理模块
      • 在Schedule调度出队列中的Request发送给Downloader下载之前，对Request进行修改
      • 在下载后生成的Response发送给Spider之前，可以对其进行解析
    • Scrapy内置提供的下载中间件
      • DOWNLOADER_MIDDLEWARES_BASE：是框架提供的，禁止修改
      • DOWNLOADER_MIDDLEWARES：可以添加自定义下载中间件可以在中进行修改
     1 # 字典格式数据，数值越小越优先被调用
 2 DOWNLOADER_MIDDLEWARES_BASE
 3 {
 4     'scrapy.contrib.downloadermiddleware.robotstxt.RobotsTxtMiddleware': 100,
 5     'scrapy.contrib.downloadermiddleware.httpauth.HttpAuthMiddleware': 300,
 6     'scrapy.contrib.downloadermiddleware.downloadtimeout.DownloadTimeoutMiddleware': 350,
 7     'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': 400,
 8     'scrapy.contrib.downloadermiddleware.retry.RetryMiddleware': 500,
 9     'scrapy.contrib.downloadermiddleware.defaultheaders.DefaultHeadersMiddleware': 550,
10     'scrapy.contrib.downloadermiddleware.redirect.MetaRefreshMiddleware': 580,
11     'scrapy.contrib.downloadermiddleware.httpcompression.HttpCompressionMiddleware': 590,
12     'scrapy.contrib.downloadermiddleware.redirect.RedirectMiddleware': 600,
13     'scrapy.contrib.downloadermiddleware.cookies.CookiesMiddleware': 700,
14     'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': 750,
15     'scrapy.contrib.downloadermiddleware.chunked.ChunkedTransferMiddleware': 830,
16     'scrapy.contrib.downloadermiddleware.stats.DownloaderStats': 850,
17     'scrapy.contrib.downloadermiddleware.httpcache.HttpCacheMiddleware': 900,
18 }
    • Downloader Middleware的核心方法
      • process_request(self, request, spider)：该方法在Request被Scrapy引擎调度给Downloader之前调用，对request进行处理
        • request：Request对象，即将被处理的Request
        • spider：Spider对象，该Request所对应的Spider
        • 返回值为None：更低优先级的Downloader的process_request()方法将会继续被调用对Request进行修改，直到返回Response为止
        • 返回值为Response对象：更低优先级的Downloader的process_request()方法和process_exception()将不会被继续调用，每个Downloader的process_response()方法转而依次被调用，调用结束后，直接将Response对象发送给Spider处理
        • 返回值为Request对象：更低优先级的Downloader的process_request()会停止执行，而这个Request会被重新放入调度队列，等待新一轮的调用
        • IgnoreRequest异常抛出：所有Downloader的process_exception()方法会被依次调用，如果没有方法处理该异常，则Request的errorback()方法就会回调
      • process_response(self, request, response, spider)：在Scrapy引擎将得到的Response发生到Spider进行解析之前，调用process_response()进行处理
        • request：Request对象，即该Response对应的Request
        • response：Response对象，即将被处理的Response
        • spider：Spider对象，该Response所对应的Spider
        • 返回Request对象：更低优先级的Downloader的process_response()方法不会继续被调用，该Request对象会被重新放在调度队列中等待被调用
        • 返回Response对象：更低优先级的Downloader的process_response()方法会被继续调用，继续对该Response对象进行处理
        • IgnoreRequest异常抛出：Request的errorback()方法会回调，如果该异常没有被处理，那么它便会被忽略
      • process_exception(self, request, exception, spider)：当Downloader抛出异常时被调用
        • request：Request对象，即产生异常的Request
        • exception：Exception对象，即抛出的异常
        • spider：Spider对象，该Request对应的Spider
        • 返回值为None：更低优先级的Downloader的process_exception()会被继续依次调用，直到所有的方法都被调度完毕
        • 返回Response对象：更低优先级的Downloader的process_exception()不会再被调用，每个Downloader的process_response()方法会被依次调用
        • 返回Request对象：更低优先级的Downloader的process_exception()不会再被调用，该Request对象会被放在调度队列中等待被process_request()方法调用
    • 新建scrapy项目
    1 # 命令行操作
2 scrapy startproject Scrapy_DL           # 新建项目Scrapy_DL
3 scrapy genspider httpbin httpbin.org    # 进入项目，新建一个爬虫httpbin
4 scrapy crawl httpbin                    # 运行该爬虫
    • 新建httpbin.py爬虫的编写
     1 # httpbin.py
 2 import scrapy
 3 class HttpbinSpider(scrapy.Spider):
 4     name = 'httpbin'
 5     allowed_domains = ['httpbin.org']
 6     start_urls = ['http://httpbin.org/']
 7     
 8     def parse(self, response):
 9         self.logger.debug(response.text)
10         self.logger.debug('Status Code：' + str(response.status))
    • 自定义Downloader Middleware中间件的编写
     1 # middlewares.py
 2 # -*- coding: utf-8 -*-
 3 import random
 4 class RandomUserAgentMiddleware():
 5     "自定义的随机UserAgent中间件"
 6     def __init__(self):
 7         self.user_agents = [
 8             'Mozilla/5.0 (Windows; U; MSIE 9.0; Windows NT 9.0; en-US)',
 9             'Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.2 (KHTML, like Gecko) Chrome/22.0.1216.0 Safari/537.2',
10             'Mozilla/5.0 (X11; Ubuntu; Linux i686; rv:15.0) Gecko/20100101 Firefox/15.0.1'
11         ]
12         
13     def process_request(self, request, spider):
14         request.headers['User-Agent'] = random.choice(self.user_agents)
15         
16     def process_response(self, request, response, spider):
17         response.status = 201
18         return response
    • 配置文件对自定义Downloader Middleware进行配置
    1 # settings.py
2 DOWNLOADER_MIDDLEWARES = {
3     'Scrapy_DL.middlewares.RandomUserAgentMiddleware': 543,
4 }
  • 相关阅读:
    Flink集群模式部署及案例执行
    Solr查询解析及内核剖析
    Spark Streaming流计算核心概念
    Kaldi语音识别CVTE模型实战
    Kaldi基础代码库及建模
    Kaldi样例实战
    Solr文本分析剖析【文本分析、分词器详解、自定义文本分析字段及分词器】
    Flink场景分析与比较【事件驱动、数据分析、数据管道】
    什么是Apache Flink实时流计算框架？
    基于Tesseract实现图片文字识别
  • 原文地址：https://www.cnblogs.com/My-Sun-Shine/p/13551159.html
Copyright © 2011-2022 走看看