【Scrapy 框架翻译】Spider中间件（Spider Middleware）详解篇

版本号：Scrapy 2.4

内容介绍

Spider中间件是Scrapy的Spider处理机制的一个挂钩框架，您可以在其中插入自定义功能，以处理发送到Spider进行处理的响应以及处理从Spider生成的请求和项目。

激活蜘蛛中间件

要激活Spider中间件组件，请将其添加到 SPIDER_MIDDLEWARES设置中，这是一个dict，其键为中间件类路径，其值为中间件顺序。

SPIDER_MIDDLEWARES = {
     
    'myproject.middlewares.CustomSpiderMiddleware': 543,
    'scrapy.spidermiddlewares.offsite.OffsiteMiddleware': None,
}

全部中间件设置

SPIDER_MIDDLEWARES_BASE = {
     
    'scrapy.spidermiddlewares.httperror.HttpErrorMiddleware': 50,
    'scrapy.spidermiddlewares.offsite.OffsiteMiddleware': 500,
    'scrapy.spidermiddlewares.referer.RefererMiddleware': 700,
    'scrapy.spidermiddlewares.urllength.UrlLengthMiddleware': 800,
    'scrapy.spidermiddlewares.depth.DepthMiddleware': 900,
}

自定义Spider中间件

class scrapy.spidermiddlewares.SpiderMiddleware

process_spider_input(self, response, spider)

对于通过spider中间件并进入spider的每个响应，都会调用此方法进行处理。process_spider_input()应该返回None或提出异常。

1. 如果它返回None，Scrapy将继续处理此响应，执行所有其他中间件，直到最后，响应被交给spider进行处理。
2. 如果它引发异常，Scrapy将不会调用任何其他spider中间件的process_spider_input()，将调用请求errback(如果有的话)，否则它将进入process_spider_exception()。

参数：

• response（Responseobject） - 正在处理的响应
• spider（Spiderobject） - 此响应所针对的spider

process_spider_output(self, response, result, spider)

在处理完响应之后，使用Spider返回的结果调用此方法。
process_spider_output()必须返回一个可迭代的 Request，dict或Item 对象。

参数：

• response（Responseobject） - 从spider生成此输出的响应
• result（可迭代的Request，dict或Item对象） - spider返回的结果
• spider（Spiderobject） - 正在处理其结果的spider

process_spider_exception(self, response, exception, spider)

当spider或process_spider_output() 方法（来自先前的spider中间件）引发异常时，将调用此方法。process_spider_exception()应该返回一个None或一个可迭代的Request，dict或 Item对象。

1. 如果它返回None，Scrapy将继续处理此异常，执行process_spider_exception()以下中间件组件中的任何其他组件，直到没有剩余中间件组件并且异常到达引擎（它被记录并丢弃）。
2. 如果它返回一个iterable，那么process_spider_output()管道将从下一个spider中间件开始启动，并且不会process_spider_exception()调用其他任何一个 。

参数：

• response（Responseobject） - 引发异常时正在处理的响应
• exception（异常对象） - 引发异常
• spider（Spiderobject） - 引发异常的spider

process_start_requests(self, start_requests, spider)

当spider运行到start_requests()的时候，爬虫中间件的process_start_requests()方法被调用，接收一个iterable（在start_requests参数中）并且必须返回另一个可迭代的Request对象。

参数：

• start_requests（可迭代Request） - 开始请求
• spider（Spiderobject） - 启动请求所属的spider

from_crawler(cls, crawler)

这个类方法通常是访问settings和signals的入口函数

spider中间件总结

1. spider开始start_requests()时，调用spider中间件的process_start_requests()。

2. response成功后，返回 spider 回调函数 parse，调用process_spider_input()。

3. 当spider yield scrapy.Request()或者yield item 时，调用 spider 中间件的process_spider_output()方法。

4. 当 spider 出现了 Exception 时，调用 spider 中间件的process_spider_exception() 方法。

内置Spider中间件参数参考

DepthMiddleware（深度中间件）

用于跟踪要抓取的站点内每个请求的深度。

class scrapy.spidermiddlewares.depth.DepthMiddleware

spider.py中的设置

request.meta['depth'] = 0

参数：

• DEPTH_LIMIT 任何网站将允许爬网的最大深度。如果为零，则不施加限制。
• DEPTH_STATS_VERBOSE 是否收集每个深度的请求数。
• DEPTH_PRIORITY -是否根据请求的深度确定请求的优先级。

HttpErrorMiddleware（错误响应中间件）

筛选不进行处理的不成功的（错误的）HTTP响应。

class scrapy.spidermiddlewares.httperror.HttpErrorMiddleware

spider.py中的设置

class MySpider(CrawlSpider):
    handle_httpstatus_list = [404]

参数：

HTTPERROR_ALLOWED_CODES = [] # 不处理的包含非200状态代码的所有响应。
HTTPERROR_ALLOW_ALL = False # 传递所有响应，无论其状态码如何，默认Fasle

OffsiteMiddleware（过滤作用域中间件）

过滤掉spider涵盖的域之外的URL请求。

classscrapy.spidermiddlewares.offsite.OffsiteMiddleware

spider.py中的设置

allowed_domains = ['http://xxxx.com'] # 只抓取该域名下内容

RefererMiddleware（请求来源中间件）

Referer根据生成请求的响应的URL填充请求标头。

class scrapy.spidermiddlewares.referer.RefererMiddleware

spider.py中的设置

REFERER_ENABLED = True # 是否启用引用中间件。
REFERRER_POLICY = "scrapy-default"

选项	使用的方法类
“scrapy-default” (default)	scrapy.spidermiddlewares.referer.DefaultReferrerPolicy
“no-referrer”	scrapy.spidermiddlewares.referer.NoReferrerPolicy
“no-referrer-when-downgrade”	scrapy.spidermiddlewares.referer.NoReferrerWhenDowngradePolicy
“same-origin”	scrapy.spidermiddlewares.referer.SameOriginPolicy
“origin”	scrapy.spidermiddlewares.referer.OriginPolicy
“strict-origin”	scrapy.spidermiddlewares.referer.StrictOriginPolicy
“origin-when-cross-origin”	scrapy.spidermiddlewares.referer.OriginWhenCrossOriginPolicy
“strict-origin-when-cross-origin”	scrapy.spidermiddlewares.referer.StrictOriginWhenCrossOriginPolicy
“unsafe-url”	scrapy.spidermiddlewares.referer.UnsafeUrlPolicy

UrlLength中间件

过滤出网址长度超过URLLENGTH_LIMIT的请求。

class scrapy.spidermiddlewares.urllength.UrlLengthMiddleware

spider.py中的设置

URLLENGTH_LIMIT = 200 # 允许抓取的URL的最大URL长度。