python爬虫之Scrapy DOWNLOADER_MIDDLEWARE 的使用

反反爬虫相关机制

(有些网站使用不同程度的复杂性规则防止爬虫访问，绕过这些规则是困难和复杂的，有时可能需要特殊的设置)

Scrapy官方文档描述：http://doc.scrapy.org/en/master/topics/practices.html#avoiding-getting-banned

通常防止爬虫被反主要有以下几个策略：

• 动态设置User-Agent（随机切换User-Agent，模拟不同用户的浏览器信息）

• 禁用Cookies(前提是爬取的网站不需要cookies参数)（也就是不启用cookies middleware，不向Server发送cookies，有些网站通过cookie的使用发现爬虫行为）

  • 使用cookies池，自定义中间件

  • 除非特殊需要，否则禁用cookies，防止某些网站根据Cookie来封锁爬虫。

COOKIES_ENABLED = False

• 设置延迟下载(降低访问网站的频率)（设置为2秒或更高）

DOWNLOAD_DELAY = 2

• 使用IP代理地址池：VPN和代理IP，现在大部分网站都是根据IP来反爬的。

针对于反爬手段

方案一 使用 Crawlera（专用于爬虫的代理组件），正确配置和设置下载中间件后，项目所有的request都是通过crawlera发出。 官方网站：https://scrapinghub.com/crawlera 参考网站：https://www.aliyun.com/jiaocheng/481939.html

DOWNLOADER_MIDDLEWARES = {
    'scrapy_crawlera.CrawleraMiddleware': 600
}
CRAWLERA_ENABLED = True
CRAWLERA_USER = '注册/购买的UserKey'
CRAWLERA_PASS = '注册/购买的Password'

方式二

自定义下载中间件（Downloader Middlewares）
下载中间件是处于引擎(crawler.engine)和下载器(crawler.engine.download())之间的一层组件，可以用来修改Request和Response。

1. 当引擎传递请求(Request)给下载器的过程中，下载中间件可以对请求进行处理 （例如增加http header信息(User-Agent)，增加proxy代理等);
2. 在下载器完成http请求，传递响应给引擎的过程中， 下载中间件可以对响应进行处理
   要激活下载器中间件组件，将其加入到 DOWNLOADER_MIDDLEWARES 设置中。 该设置是一个字典(dict)，键为中间件类的路径，值为其中间件的优先级。值越低，代表优先级越高。
   自定义中间键需要了解middlewares.py下载中间件相关方法
   每个中间件组件是一个定义了以下一个或多个方法

def process_request(self, request, spider)

当每个request对象通过下载中间件时该方法被调用。
process_request() 必须返回以下其中之一：

• None

  • 如果返回 None: Scrapy将继续处理request，执 行其他的中间件的相应方法。

• Response 对象

  • 如果返回 Response 对象: Scrapy不会再调用任 何其他的中间件的 process_request()或相应地下 载函数； 直接返回这个response对象。 已激活的中间件的 process_response()方法则会在 每个 response 返回时被调用。

• Request 对象

  • 如果返回 Request 对象，Scrapy则停止调用 其他中间件的process_request方法，并重新将返回的 request对象放置到调度器等待下载。

• IgnoreRequest异常

  • 如果返回raise IgnoreRequest 异常: 下载中间件的 process_exception() 方法会被用。 如果没有捕获该异常， 则request发情请求时设置的 errback(Request.errback)方法会被调用。如果也 没有设置异常回调，则该异常被忽略且不记录。
    process_request()有两个参数:

• request (Request 对象) – 处理的request

• spider (Spider 对象) – 该request对应的spider

process_response(self, request, response, spider)

当下载器完成http请求，传递Response给引擎的时调用

process_response() 必须返回以下其中之一:

• Response 对象
  • 如果返回 Request: 更低优先级的下载中间件的 process_response方法不会继续调用，该Request会被 重新放到调度器任务队列中等待调度，相当于一个新的 Request。
• Request 对象
  • 如果返回 Response 对象，更低优先级的下载中间 件的process_response方法会被继续调用对Response对象进行处理
• IgnoreRequest异常
  • 如果抛出 IgnoreRequest 异常，则调用request 设置的errback(Request.errback)函数。 如果异常没有 被处理，则该异常被忽略且不记录。

process_response()有三个参数:

• request (Request 对象) – response所对应的request
• response (Response 对象) – 被处理的response
• spider (Spider 对象) – response所对应的spider

---

常见的中间件代码实例：

设置User-Agent中间件。

Scrapy代理IP、Uesr-Agent的切换都是通过DOWNLOADER_MIDDLEWARES进行控制，我们在settings.py同级目录下创建middlewares.py文件，包装所有请求。

• 在settings.py文件中添加USER_AGENTS：

USER_AGENTS = [
    "Mozilla/5.0 (compatible; MSIE 9.0; Windows NT 6.1; Win64; x64; Trident/5.0; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 2.0.50727; Media Center PC 6.0)",
    "Mozilla/5.0 (compatible; MSIE 8.0; Windows NT 6.0; Trident/4.0; WOW64; Trident/4.0; SLCC2; .NET CLR 2.0.50727; .NET CLR 3.5.30729; .NET CLR 3.0.30729; .NET CLR 1.0.3705; .NET CLR 1.1.4322)",
    "Mozilla/4.0 (compatible; MSIE 7.0b; Windows NT 5.2; .NET CLR 1.1.4322; .NET CLR 2.0.50727; InfoPath.2; .NET CLR 3.0.04506.30)",
    "Mozilla/5.0 (Windows; U; Windows NT 5.1; zh-CN) AppleWebKit/523.15 (KHTML, like Gecko, Safari/419.3) Arora/0.3 (Change: 287 c9dfb30)",
    "Mozilla/5.0 (X11; U; Linux; en-US) AppleWebKit/527+ (KHTML, like Gecko, Safari/419.3) Arora/0.6",
]

方式１

import random
class RandomUserAgent(object):
    def process_request(self, request, spider):
        #获取到代理的代理池
        useragents = spider.settings['USERAGENTS']
        #随机获取一个User-Agent
        user_agent = random.choice(useragents)
        print('执行下载中间件'+user_agent)
        if user_agent:
            #赋值的两种方式
            request.headers.setdefault(b'User-Agent', user_agent)
            # request.headers['User-Agent'] = user_agent

方式２

# 使用第三方插件来随机获取User-Agent
from fake_useragent import UserAgent
class RandomUserAgentMiddlewareTwo(object):
    def process_request(self, request, spider):
        user_agent = UserAgent().random
        print('执行下载中间件'+user_agent)
        if user_agent:
            #赋值的两种方式
            request.headers.setdefault(b'User-Agent', user_agent)
            # request.headers['User-Agent'] = user_agent

最后设置setting.py里的DOWNLOADER_MIDDLEWARES，激活自己编写的下载中间件类。

DOWNLOADER_MIDDLEWARES = {
    'mySpider.middlewares.RandomUserAgent': 99,
}

设置代理中间件。

• 添加代理IP设置PROXIES： 代理一般分为公开代理(不需要账号密码)和私密代理(需要账号密码) 代理获取方式：
• 免费代理IP可以网上搜索，
• 也可以付费购买一批可用的私密代理IP

# 在settings.py文件中模拟一个代理池(对于少量代理可以这么做)
PROXIES = [
    {'ip_port': '111.8.60.9:8123', 'user_pwd': 'user1:pass1'},
    {'ip_port': '101.71.27.120:80', 'user_pwd': 'user2:pass2'},
    {'ip_port': '122.96.59.104:80', 'user_pwd': None},
    {'ip_port': '122.224.249.122:8088', 'user_pwd': None},
]

# middlewares.py
#!/usr/bin/env python
# -*- coding:utf-8 -*-
import random
import base64
#定义一个代理的中间件
import base64
class RandomProxyMiddleware(object):
    def process_request(self, request, spider):
        proxies = spider.settings['PROXIES']
        proxy = random.choice(self.proxies)
        if proxy['user_pwd'] is None:
            # 没有代理账户验证的代理使用方式
            request.meta['proxy'] = proxy['ip_port']
        else:
            #对账户密码进行base64编码
            user_pwd = base64.b64encode(proxy['user_pwd'].encode('utf-8')).decode('utf-8')
            #对应到代理服务器的信令格式里
            request.headers['Proxy-Authorization'] = 'Basic ' + user_pwd
            request.meta['proxy'] = proxy['ip_port']

为什么HTTP代理要使用base64编码：

HTTP代理的原理很简单，就是通过HTTP协议与代理服务器建立连接，协议信令中包含要连接到的远程主机的IP和端口号，如果有需要身份验证的话还需要加上授权信息，服务器收到信令后首先进行身份验证，通过后便与远程主机建立连接，连接成功之后会返回给客户端200，表示验证通过，就这么简单，下面是具体的信令格式：

CONNECT 59.64.128.198:21 HTTP/1.1
Host: 59.64.128.198:21
Proxy-Authorization: Basic bGV2I1TU5OTIz
User-Agent: OpenFetion

其中Proxy-Authorization是身份验证信息，Basic后面的字符串是用户名和密码组合后进行base64编码的结果，也就是对username:password进行base64编码。

HTTP/1.0 200 Connection established

客户端收到收面的信令后表示成功建立连接，接下来要发送给远程主机的数据就可以发送给代理服务器了，代理服务器建立连接后会在根据IP地址和端口号对应的连接放入缓存，收到信令后再根据IP地址和端口号从缓存中找到对应的连接，将数据通过该连接转发出去。

3. 设置cookies中间件。

import random
class RandomCookiesMiddleware(object):
    def process_request(self,request,spider):
        cookies = spider.settings['COOKIES']
        #随机获取一个cookies
        cookie = random.choice(cookies)
        if cookie:
            request.cookies = cookie

4. 设置selenium中间件。

from selenium import webdriver
from selenium.common.exceptions import TimeoutException
from scrapy.http import HtmlResponse
class SeleniumMiddleware(object):
    def __init__(self):
        self.drive = webdriver.Chrome(executable_path='')
        self.drive.set_page_load_timeout(10)
    def process_request(self,request,spider):
        try:
            url = request.url
            self.drive.get(url)
            if self.drive.page_source:
                return HtmlResponse(url=url,body=self.drive.page_source,status=200,encoding='utf-8',request=request)
        except TimeoutException:
            print('请求超时')
            return HtmlResponse(url=url,body=None,status=500)