中間件是Scrapy里面的一個核心概念。使用中間件可以在爬蟲的請求發起之前或者請求返回之后對數據進行定制化修改，從而開發出適應不同情況的爬蟲。
“中間件”這個中文名字和前面章節講到的“中間人”只有一字之差。它們做的事情確實也非常相似。中間件和中間人都能在中途劫持數據，做一些修改再把數據傳遞出去。不同點在於，中間件是開發者主動加進去的組件，而中間人是被動的，一般是惡意地加進去的環節。中間件主要用來輔助開發，而中間人卻多被用來進行數據的竊取、偽造甚至攻擊。
在Scrapy中有兩種中間件：下載器中間件（Downloader Middleware）和爬蟲中間件（Spider Middleware）。
這一篇主要講解下載器中間件的第一部分。
下載器中間件
Scrapy的官方文檔中，對下載器中間件的解釋如下。
下載器中間件是介於Scrapy的request/response處理的鈎子框架，是用於全局修改Scrapy request和response的一個輕量、底層的系統。
這個介紹看起來非常繞口，但其實用容易理解的話表述就是：更換代理IP，更換Cookies，更換User-Agent，自動重試。
如果完全沒有中間件，爬蟲的流程如下圖所示。
使用了中間件以后，爬蟲的流程如下圖所示。
開發代理中間件
在爬蟲開發中，更換代理IP是非常常見的情況，有時候每一次訪問都需要隨機選擇一個代理IP來進行。
中間件本身是一個Python的類，只要爬蟲每次訪問網站之前都先“經過”這個類，它就能給請求換新的代理IP，這樣就能實現動態改變代理。
在創建一個Scrapy工程以后，工程文件夾下會有一個middlewares.py文件，打開以后其內容如下圖所示。
Scrapy自動生成的這個文件名稱為middlewares.py，名字后面的s表示復數，說明這個文件里面可以放很多個中間件。Scrapy自動創建的這個中間件是一個爬蟲中間件，這種類型在第三篇文章會講解。現在先來創建一個自動更換代理IP的中間件。
在middlewares.py中添加下面一段代碼：
class ProxyMiddleware(object):
def process_request(self, request, spider):
proxy = random.choice(settings['PROXIES'])
request.meta['proxy'] = proxy
要修改請求的代理，就需要在請求的meta里面添加一個Key為proxy，Value為代理IP的項。
由於用到了random和settings，所以需要在middlewares.py開頭導入它們：
import random
from scrapy.conf import settings
在下載器中間件里面有一個名為process_request()的方法，這個方法中的代碼會在每次爬蟲訪問網頁之前執行。
打開settings.py，首先添加幾個代理IP：
PROXIES = ['https://114.217.243.25:8118',
'https://125.37.175.233:8118',
'http://1.85.116.218:8118']
需要注意的是，代理IP是有類型的，需要先看清楚是HTTP型的代理IP還是HTTPS型的代理IP。如果用錯了，就會導致無法訪問。
激活中間件
中間件寫好以后，需要去settings.py中啟動。在settings.py中找到下面這一段被注釋的語句：
# Enable or disable downloader middlewares
# See http://scrapy.readthedocs.org/en/latest/topics/downloader-middleware.html
#DOWNLOADER_MIDDLEWARES = {
# 'AdvanceSpider.middlewares.MyCustomDownloaderMiddleware': 543,
#}
解除注釋並修改，從而引用ProxyMiddleware。修改為：
DOWNLOADER_MIDDLEWARES = {
'AdvanceSpider.middlewares.ProxyMiddleware': 543,
}
這其實就是一個字典，字典的Key就是用點分隔的中間件路徑，后面的數字表示這種中間件的順序。由於中間件是按順序運行的，因此如果遇到后一個中間件依賴前一個中間件的情況，中間件的順序就至關重要。
如何確定后面的數字應該怎么寫呢？最簡單的辦法就是從543開始，逐漸加一，這樣一般不會出現什么大問題。如果想把中間件做得更專業一點，那就需要知道Scrapy自帶中間件的順序，如圖下圖所示。
數字越小的中間件越先執行，例如Scrapy自帶的第1個中間件RobotsTxtMiddleware，它的作用是首先查看settings.py中ROBOTSTXT_OBEY這一項的配置是True還是False。如果是True，表示要遵守Robots.txt協議，它就會檢查將要訪問的網址能不能被運行訪問，如果不被允許訪問，那么直接就取消這一次請求，接下來的和這次請求有關的各種操作全部都不需要繼續了。
開發者自定義的中間件，會被按順序插入到Scrapy自帶的中間件中。爬蟲會按照從100～900的順序依次運行所有的中間件。直到所有中間件全部運行完成，或者遇到某一個中間件而取消了這次請求。
Scrapy其實自帶了UA中間件（UserAgentMiddleware）、代理中間件（HttpProxyMiddleware）和重試中間件（RetryMiddleware）。所以，從“原則上”說，要自己開發這3個中間件，需要先禁用Scrapy里面自帶的這3個中間件。要禁用Scrapy的中間件，需要在settings.py里面將這個中間件的順序設為None：
DOWNLOADER_MIDDLEWARES = {
'AdvanceSpider.middlewares.ProxyMiddleware': 543,
'scrapy.contrib.downloadermiddleware.useragent.UserAgentMiddleware': None,
'scrapy.contrib.downloadermiddleware.httpproxy.HttpProxyMiddleware': None
}
為什么說“原則上”應該禁用呢？先查看Scrapy自帶的代理中間件的源代碼，如下圖所示：
從上圖可以看出，如果Scrapy發現這個請求已經被設置了代理，那么這個中間件就會什么也不做，直接返回。因此雖然Scrapy自帶的這個代理中間件順序為750，比開發者自定義的代理中間件的順序543大，但是它並不會覆蓋開發者自己定義的代理信息，所以即使不禁用系統自帶的這個代理中間件也沒有關系。
完整地激活自定義中間件的settings.py的部分內容如下圖所示。
配置好以后運行爬蟲，爬蟲會在每次請求前都隨機設置一個代理。要測試代理中間件的運行效果，可以使用下面這個練習頁面：
http://exercise.kingname.info/exercise_middleware_ip
這個頁面會返回爬蟲的IP地址，直接在網頁上打開，如下圖所示。
這個練習頁支持翻頁功能，在網址后面加上“/頁數”即可翻頁。例如第100頁的網址為：
http://exercise.kingname.info/exercise_middleware_ip/100
使用了代理中間件為每次請求更換代理的運行結果，如下圖所示。
代理中間件的可用代理列表不一定非要寫在settings.py里面，也可以將它們寫到數據庫或者Redis中。一個可行的自動更換代理的爬蟲系統，應該有如下的3個功能。
- 有一個小爬蟲ProxySpider去各大代理網站爬取免費代理並驗證，將可以使用的代理IP保存到數據庫中。
- 在ProxyMiddlerware的process_request中，每次從數據庫里面隨機選擇一條代理IP地址使用。
- 周期性驗證數據庫中的無效代理，及時將其刪除。
由於免費代理極其容易失效，因此如果有一定開發預算的話，建議購買專業代理機構的代理服務，高速而穩定。
開發UA中間件
開發UA中間件和開發代理中間件幾乎一樣，它也是從settings.py配置好的UA列表中隨機選擇一項，加入到請求頭中。代碼如下：
class UAMiddleware(object):
def process_request(self, request, spider):
ua = random.choice(settings['USER_AGENT_LIST'])
request.headers['User-Agent'] = ua
比IP更好的是，UA不會存在失效的問題，所以只要收集幾十個UA，就可以一直使用。常見的UA如下：
USER_AGENT_LIST = [
"Mozilla/5.0 (Windows NT 10.0; WOW64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/45.0.2454.101 Safari/537.36",
"Dalvik/1.6.0 (Linux; U; Android 4.2.1; 2013022 MIUI/JHACNBL30.0)",
"Mozilla/5.0 (Linux; U; Android 4.4.2; zh-cn; HUAWEI MT7-TL00 Build/HuaweiMT7-TL00) AppleWebKit/533.1 (KHTML, like Gecko) Version/4.0 Mobile Safari/533.1",
"AndroidDownloadManager",
"Apache-HttpClient/UNAVAILABLE (java 1.4)",
"Dalvik/1.6.0 (Linux; U; Android 4.3; SM-N7508V Build/JLS36C)",
"Android50-AndroidPhone-8000-76-0-Statistics-wifi",
"Dalvik/1.6.0 (Linux; U; Android 4.4.4; MI 3 MIUI/V7.2.1.0.KXCCNDA)",
"Dalvik/1.6.0 (Linux; U; Android 4.4.2; Lenovo A3800-d Build/LenovoA3800-d)",
"Lite 1.0 ( http://litesuits.com )",
"Mozilla/4.0 (compatible; MSIE 8.0; Windows NT 5.1; Trident/4.0; .NET4.0C; .NET4.0E; .NET CLR 2.0.50727)",
"Mozilla/5.0 (Windows NT 6.1) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/38.0.2125.122 Safari/537.36 SE 2.X MetaSr 1.0",
"Mozilla/5.0 (Linux; U; Android 4.1.1; zh-cn; HTC T528t Build/JRO03H) AppleWebKit/534.30 (KHTML, like Gecko) Version/4.0 Mobile Safari/534.30; 360browser(securitypay,securityinstalled); 360(android,uppayplugin); 360 Aphone Browser (2.0.4)",
]
配置好UA以后，在settings.py下載器中間件里面激活它，並使用UA練習頁來驗證UA是否每一次都不一樣。練習頁的地址為：
http://exercise.kingname.info/exercise_middleware_ua。
UA練習頁和代理練習頁一樣，也是可以無限制翻頁的。
運行結果如下圖所示。
開發Cookies中間件
對於需要登錄的網站，可以使用Cookies來保持登錄狀態。那么如果單獨寫一個小程序，用Selenium持續不斷地用不同的賬號登錄網站，就可以得到很多不同的Cookies。由於Cookies本質上就是一段文本，所以可以把這段文本放在Redis里面。這樣一來，當Scrapy爬蟲請求網頁時，可以從Redis中讀取Cookies並給爬蟲換上。這樣爬蟲就可以一直保持登錄狀態。
以下面這個練習頁面為例：
http://exercise.kingname.info/exercise_login_success
如果直接用Scrapy訪問，得到的是登錄界面的源代碼，如下圖所示。
現在，使用中間件，可以實現完全不改動這個loginSpider.py里面的代碼，就打印出登錄以后才顯示的內容。
首先開發一個小程序，通過Selenium登錄這個頁面，並將網站返回的Headers保存到Redis中。這個小程序的代碼如下圖所示。
這段代碼的作用是使用Selenium和ChromeDriver填寫用戶名和密碼，實現登錄練習頁面，然后將登錄以后的Cookies轉換為JSON格式的字符串並保存到Redis中。
接下來，再寫一個中間件，用來從Redis中讀取Cookies，並把這個Cookies給Scrapy使用：
class LoginMiddleware(object):
def __init__(self):
self.client = redis.StrictRedis()
def process_request(self, request, spider):
if spider.name == 'loginSpider':
cookies = json.loads(self.client.lpop('cookies').decode())
request.cookies = cookies
設置了這個中間件以后，爬蟲里面的代碼不需要做任何修改就可以成功得到登錄以后才能看到的HTML，如圖12-12所示。
如果有某網站的100個賬號，那么單獨寫一個程序，持續不斷地用Selenium和ChromeDriver或者Selenium 和PhantomJS登錄，獲取Cookies，並將Cookies存放到Redis中。爬蟲每次訪問都從Redis中讀取一個新的Cookies來進行爬取，就大大降低了被網站發現或者封鎖的可能性。
這種方式不僅適用於登錄，也適用於驗證碼的處理。
這一篇就講到這里，在下一篇，我們將會介紹如何在下載器中間件中集成Selenium，進行請求重試和處理異常。
本文節選自我的新書《Python爬蟲開發 從入門到實戰》完整目錄可以在京東查詢到 https://item.jd.com/12436581.html