UA池和代理池

一 . 中間件 

先上圖 : 

 

 

 

 

 

 

 

 

 

 

中間件（Downloader Middlewares） 位於scrapy引擎和下載器之間的一層組件。

 做用 : 

(1)  引擎將請求傳遞給下載器過程當中, 下載中間件能夠對請求進行一系列處理, 好比設置請求的 User-Agent，設置代理等

(2)  在下載器完成將Response傳遞給引擎中，下載中間件能夠對響應進行一系列處理。好比進行gzip解壓等。

spider : 從這裏開始 ---> 做用 : 產生一個或者一批url / parse()對數據進行解析
    url-->封裝成請求對象-->引擎(接收spider提供的請求對象,可是尚未請求到數據)
    引擎-->(請求對象)-->調度器(調度請求): 過濾器的類->去重(有可能會出現相同的請求對象)-->隊列(數據類型,存的就是請求對象)
    而後調度器從隊列中調度出來一個請求對象給-->引擎-->給下載器-->請求對象-->互聯網進行下載
    互聯網-->響應對象-->給下載器-->引擎(響應對象)-->給spider中的回調方法,進行解析
    解析到的對象封裝到item對象中-->引擎-->管道,持久化存儲
    而後 調度器再次從隊列中調出來一個url,在.........
    
    核心問題 : 引擎是用來觸發事物的,可是引擎怎麼知道在何時什麼節點去觸發那些事物?
    解答 : 在工做過程當中,全部的數據流都會通過'引擎',也就是說 '引擎'是根據接收到的數據流來斷定應該去觸發那個事物
           好比 : 當 spider 給'引擎'提交了個item,引擎一旦接收了個數據類型是item的時候,
                  引擎立刻就會知道下一步應該實例化管道,在掉管道中process_item方法
    
    全部實例化的操做,事物的觸發都是由引擎執行的

五大核心組件流程

咱們主要使用下載中間件處理請求時,通常會對請求設置隨機的User-Agent,設置隨機的代理,目的是在防止爬蟲網站的反爬機制.

二 . UA池 : User-Agent池  

做用 : 儘量多的將scrapy工程中的請求假裝成不一樣類型的瀏覽器身份.

操做流程 : 

　　- . 在下載中間件中攔截請求

　　- . 將攔截到的請求的其你去頭信息的UA進行篡改假裝

　　- . 在配置文件中開啓下載中間件

案例演示 : 

#導包
from scrapy.contrib.downloadermiddleware.useragent import UserAgentMiddleware
import random
#UA池代碼的編寫（單獨給UA池封裝一個下載中間件的一個類）
class RandomUserAgent(UserAgentMiddleware):

    def process_request(self, request, spider):
        #從列表中隨機抽選出一個ua值
        ua = random.choice(user_agent_list)
        #ua值進行當前攔截到請求的ua的寫入操做
        request.headers.setdefault('User-Agent',ua)


user_agent_list = [
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/22.0.1207.1 Safari/537.1",
        "Mozilla/5.0 (X11; CrOS i686 2268.111.0) AppleWebKit/536.11 "
        "(KHTML, like Gecko) Chrome/20.0.1132.57 Safari/536.11",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1092.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.6 "
        "(KHTML, like Gecko) Chrome/20.0.1090.0 Safari/536.6",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/537.1 "
        "(KHTML, like Gecko) Chrome/19.77.34.5 Safari/537.1",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.9 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.0) AppleWebKit/536.5 "
        "(KHTML, like Gecko) Chrome/19.0.1084.36 Safari/536.5",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 5.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_8_0) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1063.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1062.0 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.1) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.1 Safari/536.3",
        "Mozilla/5.0 (Windows NT 6.2) AppleWebKit/536.3 "
        "(KHTML, like Gecko) Chrome/19.0.1061.0 Safari/536.3",
        "Mozilla/5.0 (X11; Linux x86_64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24",
        "Mozilla/5.0 (Windows NT 6.2; WOW64) AppleWebKit/535.24 "
        "(KHTML, like Gecko) Chrome/19.0.1055.1 Safari/535.24"
]

三 . 代理池  

做用 : 儘量多的講scrapy工程中的請求的IP設置成不一樣的

操做流程 : 

　　- . 在下載中間件中攔截請求

　　- . 將攔截到的請求IP修改爲某一代理ip

　　- . 在配置文件中開啓下載中間件

案例演示 : 

#批量對攔截到的請求進行ip更換
#單獨封裝下載中間件類
class Proxy(object):
    def process_request(self, request, spider):
        #對攔截到請求的url進行判斷（協議頭究竟是http仍是https）
        #request.url返回值：http://www.xxx.com
        h = request.url.split(':')[0]  #請求的協議頭
        if h == 'https':
            ip = random.choice(PROXY_https)
            request.meta['proxy'] = 'https://'+ip
        else:
            ip = random.choice(PROXY_http)
            request.meta['proxy'] = 'http://' + ip

#可被選用的代理IP
PROXY_http = [
    '153.180.102.104:80',
    '195.208.131.189:56055',
]
PROXY_https = [
    '120.83.49.90:9000',
    '95.189.112.214:35508',
]