Scrapy入门到放弃04：下载器中间件，让爬虫更完美

前言

MiddleWare，顾名思义，中间件。主要处理请求（例如添加代理IP、添加请求头等）和处理响应

本篇文章主要讲述下载器中间件的概念，以及如何使用中间件和自定义中间件。

MiddleWare分类

依旧是那张熟悉的架构图。

从图中看，中间件主要分为两类：

Downloader MiddleWare：下载器中间件
Spider MiddleWare：Spider中间件

本篇文主要介绍下载器中间件，先看官方的定义：

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。

作用

如架构图中所描述的一样，下载器中间件位于engine和下载器之间。engine将未处理的请求发送给下载器的时候，会经过下载器中间件，这时候在中间件里可以包装请求，例如修改请求头信息(设置UA、cookie等)和添加代理IP。

当下载器将网站的响应发送给engine的时候，也会经过下载器中间件，这里我们就可以对响应内容进行处理。

内置下载器中间件

Scrapy内置了很多下载器中间件供开发者使用。当我们启动一个Scrapy爬虫时，Scrapy会自动帮助我们启用这些中间件。如图：

图中就是在启动Scrapy程序时控制台打印的日志信息，我们发现Scrapy帮我们启用了很多下载器中间件和Spider中间件。

这里，先看看这些内置的中间件是如何发挥作用的？

RetryMiddleware

其实，这些内置中间件是和settings中的配置配套使用的。这里就拿RetryMiddleware为例。它的作用主要是：当请求失败时，可以根据RETRY_ENABLED和RETRY_TIMES配置来启用重试策略以及决定重试次数。就酱！！

那么问题又来了，这么多中间件，我去哪里找这个settings配置和中间件的对应关系啊？？

这里我的方法有两种：

去官方文档，上篇文章有链接
看源码注释，在scrapy包下的都有中间件对应的py文件

注释里面写的明明白白，代码中获取的参数也一览无余。

自定义中间件

有时候，内置的中间件满足不了自己的需求，所以我们就要自力更生，自定义中间件。所有的中间件都在middlewares.py中进行定义。

我们打开middlewares.py,发现里面已经自动生成了一个下载器中间件和Spider中间件。

先看自生成的下载器中间件模板：

可以看到里面主要有五个方法：

from_crawler：类方法，用于初始化中间件
process_request：每个request通过下载中间件时，都会调用该方法，对应架构图步骤4
process_response：处理下载器返回的响应内容，对应架构图步骤7
process_exception：当下载器或者处理请求异常时，调用此方法
spider_opened：内置的信号量回调方法，这里先不关注，先不关注！

这里主要关注3，顺带了解一下4、5。

process_request()

此方法有两个参数：

request：spider发起的需要处理的request
spider：该request对应的spider，暂定信号量细讲这个对象

def process_request(self, request, spider):

        # Called for each request that goes through the downloader middleware.

        # Must either:

        # - return None: continue processing this request

        # - or return a Response object

        # - or return a Request object

        # - or raise IgnoreRequest: process_exception() methods of

        #   installed downloader middleware will be called

        return None

这里主要是为了让大家看注释，看注释的目的是为了告诉大家：此方法必须返回值。

None：基本上用的都是这个返回值。表示这个请求可以进去下一个中间件进行处理了。
request：停止调用process_request方法，并重新将request放回队列重新调度
response：不会调用其他的 process_request，直接返回response，执行process_response。

还有一个是raise抛出异常，其实基本上返回值都用None，其他的目前可以仅做了解，有兴趣的可以自己探索一下。

process_response()

此方法有三个参数：

request：response所对应的request
response：被处理的response
spider：response所对应的spider

def process_response(self, request, response, spider):

        # Called with the response returned from the downloader.

        # Must either;

        # - return a Response object

        # - return a Request object

        # - or raise IgnoreRequest

        return response

一样是看注释，返回值有两个：

response：下载器返回的响应内容，在各个中间件的process_response处理
request：停止调用process_response方法，响应不会到达spider，并重新将request放回队列重新调度

这里记住，只要return response就行。

process_exception()

def process_exception(self, request, exception, spider):

        # Called when a download handler or a process_request()

        # (from other downloader middleware) raises an exception.

        # Must either:

        # - return None: continue processing this exception

        # - return a Response object: stops process_exception() chain

        # - return a Request object: stops process_exception() chain

        pass

此方法就是当上面两个方法抛出异常的时候就会进入此方法，返回值有三个，意思和上面的差不多，用None就行。

启用和禁用中间件

自定义的中间件，有时候会和内置中间件功能重复，也担心功能上互相覆盖。所以这里我们可以选择，在配置中关掉内置中间件。

我个人比较喜欢自定义User-Agent中间件，但是Scrapy内置UserAgentMiddleware中间件，这就冲突了。如果内置中间件执行优先级低，后执行的话，则内置的UA就会覆盖自定义的UA。所以，我们需要关掉这个内置中UA中间件。

DOWNLOADER_MIDDLEWARES参数用来设置下载器中间件。其中，Key为中间件路径，Value为中间件执行优先级，数字越小，越先执行，当Value为None时，表示禁用。

# settings.py

DOWNLOADER_MIDDLEWARES = {

    # 禁用默认的useragent插件

    'scrapy.downloadermiddleware.useragent.UserAgentMiddleware': None,

    # 启用自定义的中间件

    'ScrapyDemo.middlewares.VideospiderDownloaderMiddleware': 543,

}

这样，内置的UA中间件则被禁用。

调用优先级

其次我们要明确的是：中间件是链式调用，一个请求会根据中间件的优先级，先后经过每个中间件，响应也是。

上面也说了，每个中间件都会设置一个执行优先级，数字越小越先执行。例如中间件1的优先级设置为200，中间件2的优先级设置为300。

当spider发起一个请求时，request会先经过中间件1的process_request进行处理，然后到达中间件2的此方法进行处理，当经过所有的中间件的此方法处理之后，最后到达下载器进行网站请求，然后返回响应内容。

process_response就是逆序处理，先到达中间件2的此方法，再到达中间件1，最后响应返回spider中，由开发者处理。

实践

这里我们自定义一个下载器中间件，来添加User-Agent。

自定义中间件

在middlewares.py中定义一个中间件：

class CustomUserAgentMiddleWare(object):

    def process_request(self, request, spider):

        request.headers['User-Agent'] = 'Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/92.0.4515.107 Safari/537.36'

        return None

    def process_response(self, request, response, spider):

        print(request.headers['User-Agent'])

        return response

启用中间件

为了直观，我们不修改settings.py全局配置，依旧使用代码内局部配置。

import scrapy

class DouLuoDaLuSpider(scrapy.Spider):

    name = 'DouLuoDaLu'

    allowed_domains = ['v.qq.com']

    start_urls = ['https://v.qq.com/detail/m/m441e3rjq9kwpsc.html']

    custom_settings = {

        'DOWNLOADER_MIDDLEWARES': {

            # 禁用默认的useragent插件

            'scrapy.downloadermiddleware.useragent.UserAgentMiddleware': None,

            # 启用自定义的中间件

            'ScrapyDemo.middlewares.CustomUserAgentMiddleWare': 400

        }

    }

    def parse(self, response):

        pass

这里首先禁用了默认的UA中间件，然后启用了自定义的UA中间件。并且我在最后一行打上断点，Debug看UA是否设置成功。

测试结果

Debug模式启动程序，这里先把自定义的UA中间件禁用。

如图，request的UA是Scrapy。我们将注释去掉，启动UA中间件，再次启动程序测试。

如图，request的UA已经变成我在中间件中设置的UA了。

设置代理IP

依旧是在process_request方法中设置代理IP。

代码如下：

request.meta["proxy"] = 'http://ip:port'

结语

下载器中间件主要的功能还是包装请求，我个人自定义下载器中间件都是用来动态设置UA和实时检测更换代理IP。至于其他的场景需求，内置的下载器中间件基本上够用。

当然，不去学习下载器中间件这一块的知识同样可以开发Scrapy爬虫，但是下载器中间件会让你的爬虫更加完美。

本来想把下载器中间件和Spider中间件写在一篇中，但是知识点太碎，不好排版，而且还容易混淆，所以Spider中间件就留在下一篇写，期待下一次相遇。

95后小程序员，写的都是日常工作中的亲身实践，置身于初学者的角度从0写到1，详细且认真。文章会在公众号 [入门到放弃之路] 首发，期待你的关注。