一. 下载中间件
框架图
下载中间件（Downloader Middlewares） 位于scrapy引擎和下载器之间的一层组件。
- 作用：
（1）引擎将请求传递给下载器过程中， 下载中间件可以对请求进行一系列处理。比如设置请求的 User-Agent，设置代理等
（2）在下载器完成将Response传递给引擎中，下载中间件可以对响应进行一系列处理。比如进行gzip解压等。
我们主要使用下载中间件处理请求，一般会对请求设置随机的User-Agent ，设置随机的代理。目的在于防止爬取网站的反爬虫策略。
二.UA池：User-Agent池
- 作用：尽可能多的将scrapy工程中的请求伪装成不同类型的浏览器身份。
- 操作流程：
1.在下载中间件中拦截请求
2.将拦截到的请求的请求头信息中的UA进行篡改伪装
3.在配置文件中开启下载中间件
代码展示：
1 #导包 2 from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware 3 import random 4 #UA池代码的编写（单独给UA池封装一个下载中间件的一个类） 5 class RandomUserAgent(UserAgentMiddleware): 6 7 def process_request(self, request, spider): 8 #从列表中随机抽选出一个ua值 9 ua = random.choice(user_agent_list) 10 #ua值进行当前拦截到请求的ua的写入操作 11 request.headers.setdefault('User-Agent',ua) 12 13 14 user_agent_list = [ 15 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 " 16 "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1", 17 "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 " 18 "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11", 19 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 " 20 "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6", 21 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 " 22 "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6", 23 "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 " 24 "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1", 25 "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 " 26 "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5", 27 "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 " 28 "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5", 29 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 " 30 "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", 31 "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 " 32 "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", 33 "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 " 34 "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3", 35 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 " 36 "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", 37 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 " 38 "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3", 39 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 " 40 "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", 41 "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 " 42 "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", 43 "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 " 44 "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3", 45 "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 " 46 "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3", 47 "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 " 48 "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24", 49 "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 " 50 "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24" 51 ]
三.代理池
- 作用：尽可能多的将scrapy工程中的请求的IP设置成不同的。
- 操作流程：
1.在下载中间件中拦截请求
2.将拦截到的请求的IP修改成某一代理IP
3.在配置文件中开启下载中间件
代码展示：
1 #批量对拦截到的请求进行ip更换 2 #单独封装下载中间件类 3 class Proxy(object): 4 def process_request(self, request, spider): 5 #对拦截到请求的url进行判断（协议头到底是http还是https） 6 #request.url返回值：http://www.xxx.com 7 h = request.url.split(':')[0] #请求的协议头 8 if h == 'https': 9 ip = random.choice(PROXY_https) 10 request.meta['proxy'] = 'https://'+ip 11 else: 12 ip = random.choice(PROXY_http) 13 request.meta['proxy'] = 'http://' + ip 14 15 #可被选用的代理IP 16 PROXY_http = [ 17 '153.180.102.104:80', 18 '195.208.131.189:56055', 19 ] 20 PROXY_https = [ 21 '120.83.49.90:9000', 22 '95.189.112.214:35508', 23 ]