让你的爬虫“聪明起来”

admin

简介
       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。
/ ^7 ?( E& V" n( Y下载安装
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：
0 [, m$ E- u6 s/ j* D9 y（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
- W- |; h5 \. }* b* D) D（2）从PyPI获取安装  $ pip install autoscraper
（3）下载源码后进行安装  $ python setup.py install
8 |/ `, `4 s- i2 e+ d$ D3 @; @简单使用
# ~7 B; ~  c. o6 x1 e       假设我们想在stackoverflow页面中获取所有相关的文章标题：
+ y$ N# F' A7 I& J& q4 ^

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：
* K/ a& P4 x8 m! G7 _

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
$ @2 Q, @. b$ S* @: {4 h       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：

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：
+ |+ _) U8 |; I( X- ]8 l5 Q
抓取确切结果
3 B" v( ?( S# N1 V- P       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：
6 ]" j% c% c6 V8 E5 \

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：
: S0 n. l+ q5 x2 ^& Z0 s
自定义请求模块参数
: d  O0 r% g" U) I9 ^       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：
, p1 C( p! V6 A7 Q) K+ M* `

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
2 a/ Q2 Q. {  Y' S3 z1 p! k1 G: _       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：
2 X/ W# u' \* m& x" [* [. d/ T

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：
8 _! ]' f+ B( N' h1 j  [
保存模型
* @. f7 i% O3 Z. R: A" W       我们可以保存抓取的模型以便以后使用：
& B2 w0 O" o3 A0 m' d

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。

4 K" A& c% }) t9 Q4 i