小编给大家分享一下Scrapy框架设置下载中间件的方法，相信大部分人都还不怎么了解，因此分享这篇文章给大家学习，希望大家阅读完这篇文章后大所收获，下面让我们一起去学习方法吧！

设置下载中间件（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，可以有多个下载中间件被加载运行。

1.当引擎传递请求给下载器的过程中，下载中间件可以对请求进行处理 （例如增加http header信息，增加proxy信息等）；

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（例如进行gzip的解压等）

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，值为其中间件的顺序(order)。

DOWNLOADER_MIDDLEWARES={'mySpider.middlewares.MyDownloaderMiddleware':543,}

编写下载器中间件十分简单。每个中间件组件是一个定义了以下一个或多个方法的Python类:

classscrapy.contrib.downloadermiddleware.DownloaderMiddleware

process_request(self, request, spider)

1.当每个request通过下载中间件时，该方法被调用。

2.process_request() 必须返回以下其中之一：一个 None 、一个 Response 对象、一个 Request 对象或 raise IgnoreRequest:

（1）如果其返回 None ，Scrapy将继续处理该request，执行其他的中间件的相应方法，直到合适的下载器处理函数(download handler)被调用， 该request被执行(其response被下载)。

（2）如果其返回 Response 对象，Scrapy将不会调用 任何 其他的 process_request() 或 process_exception() 方法，或相应地下载函数； 其将返回该response。 已安装的中间件的 process_response() 方法则会在每个response返回时被调用。

（3）如果其返回 Request 对象，Scrapy则停止调用 process_request方法并重新调度返回的request。当新返回的request被执行后， 相应地中间件链将会根据下载的response被调用。

（4）如果其raise一个 IgnoreRequest 异常，则安装的下载中间件的 process_exception() 方法会被调用。如果没有任何一个方法处理该异常， 则request的errback(Request.errback)方法会被调用。如果没有代码处理抛出的异常， 则该异常被忽略且不记录(不同于其他异常那样)。

3.参数:

（1）request (Request 对象) – 处理的request

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

process_response(self, request, response, spider)

1.当下载器完成http请求，传递响应给引擎的时候调用。

2.process_request() 必须返回以下其中之一: 返回一个 Response 对象、 返回一个 Request 对象或raise一个 IgnoreRequest 异常。

（1）如果其返回一个 Response (可以与传入的response相同，也可以是全新的对象)， 该response会被在链中的其他中间件的 process_response() 方法处理。

（2）如果其返回一个 Request 对象，则中间件链停止， 返回的request会被重新调度下载。处理类似于 process_request() 返回request所做的那样。

（3）如果其抛出一个 IgnoreRequest 异常，则调用request的errback(Request.errback)。 如果没有代码处理抛出的异常，则该异常被忽略且不记录(不同于其他异常那样)。

3.参数:

（1）request (Request 对象) – response所对应的request

（2）response (Response 对象) – 被处理的response

（3）spider (Spider 对象) – response所对应的spider

实例

#!/usr/bin/envpython#-*-coding:utf-8-*-importrandomimportbase64fromsettingsimportUSER_AGENTSfromsettingsimportPROXIES#随机的User-AgentclassRandomUserAgent(object):defprocess_request(self,request,spider):useragent=random.choice(USER_AGENTS)request.headers.setdefault("User-Agent",useragent)classRandomProxy(object):defprocess_request(self,request,spider):proxy=random.choice(PROXIES)ifproxy['user_passwd']isNone:#没有代理账户验证的代理使用方式request.meta['proxy']="http://"+proxy['ip_port']else:#对账户密码进行base64编码转换base64_userpasswd=base64.b64encode(proxy['user_passwd'])#对应到代理服务器的信令格式里request.headers['Proxy-Authorization']='Basic'+base64_userpasswdrequest.meta['proxy']="http://"+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：

修改settings.py配置USER_AGENTS和PROXIES

添加USER_AGENTS：

　USER_AGENTS=["Mozilla/5.0(compatible;MSIE9.0;WindowsNT6.1;Win64;x64;Trident/5.0;.NETCLR3.5.30729;.NETCLR3.0.30729;.NETCLR2.0.50727;MediaCenterPC6.0)","Mozilla/5.0(X11;U;Linux;en-US)AppleWebKit/527+(KHTML,likeGecko,Safari/419.3)Arora/0.6","Mozilla/5.0(Windows;U;WindowsNT5.1;zh-CN;rv:1.9)Gecko/20080705Firefox/3.0Kapiko/3.0",]

添加代理IP设置PROXIES：

PROXIES=[{'ip_port':'ip:port1','user_passwd':'user1:pass1'},{'ip_port':'ip2:port2','user_passwd':'user2:pass2'},{'ip_port':'ip3:port3','user_passwd':'user3:pass3'},]

除非特殊需要，禁用cookies，防止某些网站根据Cookie来封锁爬虫。

COOKIES_ENABLED=False

设置下载延迟

DOWNLOAD_DELAY=3

最后添加自己写的下载中间件类

DOWNLOADER_MIDDLEWARES={'mySpider.middlewares.MyDownloaderMiddleware':543,}

以上是Scrapy框架设置下载中间件的方法的所有内容，感谢各位的阅读！相信大家都有了一定的了解，希望分享的内容对大家有所帮助，如果还想学习更多知识，欢迎关注亿速云行业资讯频道！