中間件是scrapy提供用于在爬蟲過程中可修改`Request`和`Response`，用于擴展scrapy的功能。 <br/> 下面寫一個隨機請求頭的中間件來說明中間件的作用：爬蟲在頻繁訪問一個頁面的時候，如果請求頭一直保持一致，那么很容易被服務器發現，從而禁止這個請求頭的訪問。下面通過自定義中間件來實現隨機的選擇一個請求頭。 <br/> 步驟如下： <br/> **1. 在`settings.py`做如下配置** （1）你可以在 http://www.useragentstring.com/pages/useragentstring.php?typ=Browser 找到大量的User-Agent； （2）你可以訪問 http://httpbin.org/user-agent 直接測試你使用的瀏覽器的User-Agent。 ```python # User-Agent池 USER_AGENTS = [ "Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/89.0.4389.90 Safari/537.36", "Mozilla/5.0 (Windows NT 6.1; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/41.0.2227.0 Safari/537.36", "Mozilla/5.0 (Macintosh; U; Intel Mac OS X; en-US; rv:1.8.1.6) Gecko/20070725 Firefox/2.0.0.6 Camino/1.5.1" ] # 啟動自定義中間件 DOWNLOADER_MIDDLEWARES = { # 自定義中間件: 權重，權重越小，優先被調用 # CareerstencentDownloaderMiddleware在項目創建的時候就自動創建好了 'CareersTencent.middlewares.CareerstencentDownloaderMiddleware': 543, 'CareersTencent.middlewares.RandomUserAgentMiddleware': 544, } ``` <br/> **2. 在`middlewares.py`中自定義一個中間類** ```python class RandomUserAgentMiddleware(object): def process_request(self, request, spider): """ 定義process_request方法，方法名不能自定義哦. 當每個Request對象經過中間件時會被調用，優先級越高的中間件，越先調用； 該方法應該返回以下對象: None、Response、Request、拋出IgnoreRequest異常 :return: （1）返回None: scrapy會繼續執行其他中間件相應的方法; （2）返回Response對象: scrapy不會再調用其他中間件的process_request 方法，也不會去發起下載,而是直接返回該Response對象 （3）返回Request對象: scrapy不會再調用其他中間件的process_request() 方法，而是將其放置調度器待調度下載 （4）如果這個方法拋出異常,則會調用process_exception方法 """ # 隨機請求頭 user_agent = random.choice(spider.settings['USER_AGENTS']) request.headers['User-Agent'] = user_agent return None def process_response(self, request, response, spider): """ 當每個Response經過中間件會被調用，優先級越高的中間件，越晚被調用， 與process_ request()相反; 該方法返回以下對象: Response、Request、拋出IgnoreRequest異常。 :return: （1）返回Response對象: scrapy會繼續調用其他中間件的process_response方法; （2）返回Request對象:停止中間器調用，將其放置到調度器待調度下載; （3）拋出IgnoreRequest異常: Request.errback會被調用來處理函數，如果沒有處理，它將會被忽略且不會寫進日志。 """ # 經測試，請求頭是隨機的 print(request.headers['User-Agent']) return response ```