让你的爬虫“聪明起来”

admin

简介
5 R6 ?# N8 L) F% }       AutoScraper 是使用 Python 实现的 Web 爬虫，兼容 Python 3，能快速且智能获取指定网站上的数据，这些数据可以是网页文本、URL 地址或者是其它 HTML 元素。另外，它还可以学习抓取规则并返回类似的元素。
0 \* a. z) }* K6 P1 j3 L7 r6 X9 B' q下载安装
- `% q7 p( W- d5 h项目的源码地址是：https://github.com/alirezamika/autoscraper
兼容 Python 3。可使用以下方法进行安装：
（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
9 K7 I; v: C- u7 k. k% E（2）从PyPI获取安装  $ pip install autoscraper
% r% m( a' m8 \  `, Y0 L（3）下载源码后进行安装  $ python setup.py install
简单使用
) Q. `& h" B3 J1 J; f5 k1 u       假设我们想在stackoverflow页面中获取所有相关的文章标题：
/ c4 t' |$ G' _6 s0 @* O6 d" Q

复制代码
from autoscraper import AutoScraper
url = 'https://stackoverflow.com/questions/2081586/web-scraping-with-python'
wanted_list = ["How to call an external command?"]
scraper = AutoScraper()
result = scraper.build(url, wanted_list)
print(result)

      输出结果如下：
: N8 A. d  q4 F+ S

复制代码
[
    'How do I merge two dictionaries in a single expression in Python (taking union of dictionaries)?', 
    'How to call an external command?', 
    'What are metaclasses in Python?', 
    'Does Python have a ternary conditional operator?', 
    'How do you remove duplicates from a list whilst preserving order?', 
    'Convert bytes to a string', 
    'How to get line count of a large file cheaply in Python?', 
    "Does Python have a string 'contains' substring method?", 
    'Why is “1000000000000000 in range(1000000000000001)” so fast in Python 3?'
]

抓取相似结果
( x1 d9 _) a! a$ R       当你还想获取stackoverflow上其他页面中所有相关的文章标题，则可以直接通过get_result_similar方法获取：
1 Q# q9 L3 K2 r  Z# W- x

复制代码
scraper.get_result_similar('https://stackoverflow.com/questions/606191/convert-bytes-to-a-string')

      两个页面的抓取结果为：

# r5 M5 ^- L8 M2 ?* f' E$ j" G抓取确切结果
7 o. t3 l- P$ J       当你只想抓取某个确切的结果，可以使用get_result_exact方法，即从wanted_list中以完全相同的顺序检索数据：
8 n- ^9 j: |& @& S/ ^

复制代码
scraper.get_result_exact('https://stackoverflow.com/questions/606191/convert-bytes-to-a-string')

      比如抓取页面中排第2的相关文章标题，执行结果：

自定义请求模块参数
8 R" Y" A" o9 @+ O+ F; \; j       你还可以传递任何自定义请求模块参数。例如，你可能想使用代理或自定义头：

复制代码
proxies = {
    "http": 'http://127.0.0.1:8001',
    "https": 'https://127.0.0.1:8001',
}
result = scraper.build(url, wanted_list, request_args=dict(proxies=proxies))

抓取多项信息
       假设我们想要抓取关于文本，Star的数量和Github回购页面的问题链接：

复制代码
from autoscraper import AutoScraper
url = 'https://github.com/alirezamika/autoscraper'
wanted_list = ['A Smart, Automatic, Fast and Lightweight Web Scraper for Python', '2.5k', 'https://github.com/alirezamika/autoscraper/issues']
scraper = AutoScraper()
scraper.build(url, wanted_list)

      执行结果为：

4 X+ K8 ~6 F' E- V2 D8 Y- a保存模型
2 Q' L# u9 n, w       我们可以保存抓取的模型以便以后使用：
; ?% \; U* t& R0 i/ [$ X

复制代码
# 指定保存的文件路径
scraper.save('stackoverflow')
# 调用方法：
scraper.load('stackoverflow')

      AutoScraper简单介绍就到这里了，如果你想使用更多的功能，详见官方主页了解。
' I! f1 O. w( G7 W- J9 j) o
+ _  a/ U4 y/ W8 Z0 }! G3 p