让你的爬虫“聪明起来”

admin

简介
+ y' e2 M5 J; e: Y       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。
8 i+ U6 Y* A* v7 j下载安装
! U7 h9 _/ u' R$ x1 t  \; U项目的源码地址是：https://github.com/alirezamika/autoscraper
) n% f7 i4 a  ^  f0 u2 l兼容 Python 3。可使用以下方法进行安装：
  D! I8 D# P" w. ~( p3 m# N（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
（2）从PyPI获取安装  $ pip install autoscraper
（3）下载源码后进行安装  $ python setup.py install
) m8 g* C" C4 R' P+ d$ d  f简单使用
/ Z; x' L/ m$ ~1 Q3 b       假设我们想在stackoverflow页面中获取所有相关的文章标题：

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：
& L& E* E, b; R6 {) N+ P

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
4 D; i0 L. i/ _" y9 V       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：
& d% V8 O7 i+ X
5 }$ j% p' }7 Q1 n8 w抓取确切结果
       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：
7 b  F) ?! m# T+ D" i; ^+ Z

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：
# D7 i4 o+ m' V) M, `! W8 I4 y
自定义请求模块参数
" X4 T$ o( [$ m3 N, R% S       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：
" R0 y: N% C; x

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
, ^- R$ p- ?  v/ U. [       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：
7 A3 g$ g" N1 l; j) P6 f. c% K

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：
. G2 g( _6 Y" B' \! I, f" h% c
! n) ^8 c3 [; w. g5 M保存模型
, v6 f# R; [" ~* N2 d       我们可以保存抓取的模型以便以后使用：

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。
9 G) A9 h$ B% E9 @  w
* v/ L! f* g7 R# b  {( U) I