Scrapy与分布式开发：scrapy下载中间件实现动态切换User-Agent

scrapy下载中间件实现动态与固定UserAgent

• 前言
• 关卡：实现动态切换User-Agent
• • scrapy设置User-Agent方式梳理
  • User-Agent生效梳理
  • 为何选择在下载中间件中实现
  • 自定义User-Agent下载中间件
• 结束

前言

请求头User-Agent是比较常规的反爬手段，不同站点对其检测机制各异，有的是检测是否是合规的浏览器User-Agent，有的是在这基础上检测使用次数与频率，更有甚者是跟ip和cookie绑定在一起检测，这就要求我们能够动态去切换User-Agent（随机or判定切换）。

关卡：实现动态切换User-Agent

scrapy设置User-Agent方式梳理

这里整理一下笔者已知的scrapy设置User-Agent的方式:

1. setting配置文件中设置DEFAULT_REQUEST_HEADERS
   
2. 生成requests请求时设置请求头
   
3. setting配置文件中设置USER_AGENT
   我们在源码看一下USER_AGENT的默认值
   
   scrapy是有自带的USER_AGENT中间件的，而USER_AGENT就是跟它一起配合生效的，这个中间件默认也是开启的。所以大家注意了，如果我们直接使用scrapy自带的USER_AGENT机制，是很容易被是被为爬虫的！！！
   
4. 自定义User-Agent下载中间件，这种方式其实跟方式3是一样的逻辑

User-Agent生效梳理

我们来调试一下方式1、方式2和方式3，看看三种方式同时设置时最终是哪个方式生效
如下图，按顺序分别为三种方式设置好User-Agent

如下图，在发起请求生成request队列前，方式1设置成功

如下图，生成request队列后，经过下载中间件可以看到方式2覆盖了方式1

我们仔细看下中间件的代码，特别是process_request这个具体实现方法。
在此之前先了解一下setdefault这个方法：
setdefault是Python中字典的一个方法， 它用于在字典中查找指定键 如果键存在， 则返回对应的值； 如果键不存在，则在字典中添加该键，并将其值设置为指定的默认值
由于request.headers的User-Agent有值且是2，所以经过下载中间件后，它还是2

综上，我们可以得到结论：

1. 方式1、方式2和方式3共存时，结果会取方式2
2. 只存在方式1、方式2时，结果会取方式2
3. 只存在方式1、方式3时，结果会取方式1
4. 方式3要生效必须只有它这种方式

为何选择在下载中间件中实现

首先要说明一下，并非一定要在中间件中才能实现User-Agent动态切换，也可以在脚本开发中对每次生成的request请求时动态设置User-Agent（请求头），但这种方式在笔者看来是不符合python之美的，功能未解耦而不够灵活，每个脚本都要单独实现，既繁琐又提高学习成本。

自定义User-Agent下载中间件

既然选择自定义中间件，那我们就可以随便玩了
首先思考一下，根据需求整理出设计方案：

1. 动态：随机生成User-Agent
2. 切换：控制是否动态生成
3. 全局：需要适配不同场景（固定、动态、切换）

通过上面的思考，在一个全局改动的位置要适配各式各样的脚本应用场景，就需要引入全局控制参数来实现点对点应用，下面是笔者的想法：
在request.meta中增加 auto_change_ua，change_ua，_ua三个参数来实现，
auto_change_ua是自动切换，每次request都会切换User-Agent
change_ua是一个切换，当前request会切换User-Agent
_ua是固定存储，不切换时一直使用它
同时准备User-Agent列表，用于随机生成，大致样式如下：

def get_random_ua(self):
    """Return a ua if possible"""
    return random.choice(self.ua_list)

def process_request(self, request, spider):
    meta = request.meta
    ua = None

    if meta.get('auto_change_ua') or meta.get('change_ua', None):
        ua = self.get_random_ua()
    elif meta.get('_ua', None):
        ua = meta['_ua']
    elif not request.headers.get('User-Agent', None):
        ua = self.get_random_ua()

    if ua:
        request.headers['User-Agent'] = ua

def process_response(self, request, response, spider):
    request.meta['_ua'] = request.headers['User-Agent']
    if 'change_ua' in request.meta:
        del request.meta['change_ua']
    if 'auto_change_ua' in request.meta:
        request.meta['change_ua'] = True
    return response

开发好后需要在setting的DOWNLOADER_MIDDLEWARES配置才能生效，同时，记得把原生的UserAgentMiddleware设置为None，不然它还是会开启的。

结束

这个关卡的设计方案是笔者根据自己业务场景实现的，大家如果有同样的需求，需要结合自己的业务场景来思考、设计与实现。
好了，分享就到这了，有啥错误的地方请指正~