Python笔记：爬虫框架Scrapy之Spider Middleware的使用 |
您所在的位置：网站首页 › 中间件的主要任务和功能 › Python笔记：爬虫框架Scrapy之Spider Middleware的使用 |
|
关于Spider中间件
Spider中间件是介入到Scrapy的spider处理机制的钩子框架，您可以添加代码来处理发送给 Spiders 的response及spider产生的item和request。 激活spider中间件要启用spider中间件，您可以将其加入到 SPIDER_MIDDLEWARES 设置中。 该设置是一个字典，键位中间件的路径，值为中间件的顺序(order)。 SPIDER_MIDDLEWARES = { 'myproject.middlewares.CustomSpiderMiddleware': 543, }SPIDER_MIDDLEWARES 设置会与Scrapy定义的 SPIDER_MIDDLEWARES_BASE 设置合并(但不是覆盖)， 而后根据顺序(order)进行排序，最后得到启用中间件的有序列表: 第一个中间件是最靠近引擎的，最后一个中间件是最靠近spider的。 关于如何分配中间件的顺序请查看 SPIDER_MIDDLEWARES_BASE 设置，而后根据您想要放置中间件的位置选择一个值。 由于每个中间件执行不同的动作，您的中间件可能会依赖于之前(或者之后)执行的中间件，因此顺序是很重要的。 如果您想禁止内置的(在 SPIDER_MIDDLEWARES_BASE 中设置并默认启用的)中间件， 您必须在项目的 SPIDER_MIDDLEWARES 设置中定义该中间件，并将其值赋为 None 。 例如，如果您想要关闭off-site中间件: SPIDER_MIDDLEWARES = { 'myproject.middlewares.CustomSpiderMiddleware': 543, 'scrapy.contrib.spidermiddleware.offsite.OffsiteMiddleware': None, }注意，有些中间件需要通过特定的设置来启用。更多内容请查看相关中间件文档。 编写自己的spider中间件编写spider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: 来自类：class scrapy.contrib.spidermiddleware.SpiderMiddleware 1 ）process_spider_input(response, spider) 当response通过spider中间件时，该方法被调用，处理该response。process_spider_input() 应该返回 None 或者抛出一个异常。如果其返回 None ，Scrapy将会继续处理该response，调用所有其他的中间件直到spider处理该response。如果其跑出一个异常(exception)，Scrapy将不会调用任何其他中间件的 process_spider_input() 方法，并调用request的errback。 errback的输出将会以另一个方向被重新输入到中间件链中，使用 process_spider_output() 方法来处理，当其抛出异常时则带调用 process_spider_exception() 。参数: response (Response 对象) – 被处理的responsespider (Spider 对象) – 该response对应的spider2 ) process_spider_output(response, result, spider) 当Spider处理response返回result时，该方法被调用。process_spider_output() 必须返回包含 Request 或 Item 对象的可迭代对象(iterable)。参数: response (Response 对象) – 生成该输出的responseresult (包含 Request 或 Item 对象的可迭代对象(iterable)) – spider返回的resultspider (Spider 对象) – 其结果被处理的spider3 ) process_spider_exception(response, exception, spider) 当spider或(其他spider中间件的) process_spider_input() 跑出异常时， 该方法被调用。process_spider_exception() 必须要么返回 None ， 要么返回一个包含 Response 或 Item 对象的可迭代对象(iterable)。如果其返回 None ，Scrapy将继续处理该异常，调用中间件链中的其他中间件的 process_spider_exception() 方法，直到所有中间件都被调用，该异常到达引擎(异常将被记录并被忽略)。如果其返回一个可迭代对象，则中间件链的 process_spider_output() 方法被调用， 其他的 process_spider_exception() 将不会被调用。参数: response (Response 对象) – 异常被抛出时被处理的responseexception (Exception 对象) – 被跑出的异常spider (Spider 对象) – 抛出该异常的spider4 ) process_start_requests(start_requests, spider) 0.15 新版功能. 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() ，只不过其没有相关联的response并且必须返回request(不是item)。 其接受一个可迭代的对象(start_requests 参数)且必须返回另一个包含 Request 对象的可迭代对象。 注解 当在您的spider中间件实现该方法时， 您必须返回一个可迭代对象(类似于参数start_requests)且不要遍历所有的 start_requests。 该迭代器会很大(甚至是无限)，进而导致内存溢出。 Scrapy引擎在其具有能力处理start request时将会拉起request， 因此start request迭代器会变得无限，而由其他参数来停止spider( 例如时间限制或者item/page记数)。参数 start_requests (包含 Request 的可迭代对象) – start requestsspider (Spider 对象) – start requests所属的spider |
今日新闻 |
推荐新闻 |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |