Python中Spider Middleware的使用方法

前言

大部分人的身上，有一种近乎无解的矛盾--

★

想要养成早起的习惯，却一不小心刷手机到凌晨两点；

看到一篇干货文章，第一反应是加收藏夹下次再看（收藏从未停止，学习从未开始。/ 收藏==学会）；

想要瘦身塑形，却在深夜破功："吃饱了才有力气减肥"；

看到一门不错的课程，却还是告诉自己有时间了再学......

"

Spider Middleware的使用方法

Spider Middleware是介入到Scrapy的Spider处理机制的钩子框架。

当Downloader生成Response之后，Response会被发送给Spider，在发送Spider之前，Response会首先经过Spider Middleware处理，当Spider处理生成Item和Request之后，Item和Request还会经过Spider Middleware的处理。

Spider Middleware有如下三个作用：

• 我们可以在Downloader生成Response发送给Spider之前，也就是Response发送给Spider之前对Response进行处理。
• 我们可以Spider生成Request发送给Scheduler之前，也就是Request发送给Scheduler之前对Request进行处理。
• 我们可以在Spider生成Item发送给Item Pipeline之前，也就是Item发送给Item Pipeline之前对Item进行处理。

使用说明

需要说明的是Scrapy其实已经提供了许多Spider Middleware，它们被SPIDER_MIDDLEWARES_BASE这个变量所定义。

SPIDER_MIDDLEWARE_BASE变量内容如下：

{
    '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,
}

和Downloader Middleware一样，Spider Middleware首先加入到SPIDER_MIDDLEWARES设置当中，该设置会和Scrapy中SPIDER_MIDDLEWARES_BASE定义的Spider Middleware合并。然后根据键值的数字优先级排序，得到一个有序列表。第一个Middleware是最靠近引擎的，最后一个MIddleware是最靠近Spider的。

核心方法

Scrapy内置的Spider Middleware为Spider提供了基础功能。如果我们想要拓展其功能，只需要实现某个方法即可。

每个Spider Middleware都定义了以下一个或多个方法的类，核心方法有如下4个：

• process_spider_input(response, spider)
• process_spider_output(response, result, spider)
• process_spider_exception(response, exception, spider)
• process_start_requests(start_requests, spider)

process_spider_input(response, spider)

当Response通过Spider Middleware时，该方法被调用，处理该Response。

方法的参数有两个：

• response：即Response对象，即被处理的Response
• Spider：即Spider对象，即该Response对应的Spider

process_spider_input()应该返回None或抛出异常。

• 如果返回None，Scrapy将继续处理该Response，调用其他的Spider Middleware直到Spider处理该Response。
• 如果抛出一个异常，Scrapy将不会调用任何其他Spider Middleware的process_spider_input()的方法，并调用Request的errback()方法。errback()的输出将会以另一个方向被重新输入到中间件中，使用process_spider-output()方法来处理，当其抛出异常时，则调用process_spider_exception()来处理。

process_spider_output(response, result, spider)

当Spider处理Response返回结果时，该方法被调用。

方法的参数有三个：

• response，即Response对象，即生成该输出的Response；
• result，包含Request或Item对象的可迭代对象，即Spider返回的结果；
• spider，即Spider对象，即其结果对应的Spider。

process_spider_output()必须返回包含Request或Item对象的可迭代对象。

process_spider_exception(response, exception, spider)

当Spider或Spider Middleware的process_spider_input()方法抛出异常时，该方法被调用。

方法的参数有三个：

• response，即Response对象，即异常被抛出时被处理的Response。
• exception，即Exception对象，被抛出的异常。
• spider，即Spider对象，即抛出异常的Spider

process_spider_exception()要么返回None，要么返回一个包含Response或Item对象的可迭代对象。

• 如果其返回None，Scrapy将继续处理该异常，调用其他Spider Middleware中的process_spider_exception()方法，直到所有的Spider Middleware被调用。
• 如果返回一个可迭代对象，则其他的Spider Middleware的process_spider_output()方法被调用，其他的process_spider_exception()将不会被调用。

process_start_requests(start_requests, spider)

该方法以Spider启动的Request为参数被调用，执行的过程类似于process_spider_output()，只不过其他没有相关联的Response并且必须返回Request。

方法的参数有两个：

• start_requests，即包含Request的可迭代对象，即Start Requests
• spider，即Spider对象，即Start Requests所属的Spider

其必须返回一个包含Request对象的可迭代对象。

开启Spider Middleware

每当我们创建一个新的项目的时候，就会生成一个middlewares.py的文件，在这个文件中有一个类：MiddletestSpiderMiddleware，这个类与我们创建的项目名相关，我创建的项目名为``Middletest`。因此，当我们修改这个项目名的时候，这个类名也要跟着修改。

在这个类中，里面就有我们上面所描述的四个核心方法。

我们要开启这个Spider Middleware，可以到settings.py里面去开启：

# Enable or disable spider middlewares
# See https://docs.scrapy.org/en/latest/topics/spider-middleware.html
SPIDER_MIDDLEWARES = {
    'middletest.middlewares.MiddletestSpiderMiddleware': 543,
}

只需要取消注释即可。