让你的爬虫“聪明起来”

admin

简介
! H" f5 g- D' {0 Q8 U" ~6 l; a$ h       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。
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：
! I9 ^8 {8 E" Q  `* p（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
) I, l8 d* [1 H$ ~$ B( B' J6 W+ S（2）从PyPI获取安装  $ pip install autoscraper
（3）下载源码后进行安装  $ python setup.py install
3 [# I: b1 }2 B' g4 R简单使用
       假设我们想在stackoverflow页面中获取所有相关的文章标题：
& d- J! T2 a4 f( k

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：
, q- M0 i. u) X" B# J' \9 {& d

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
* h# f2 \1 D+ z) P7 f! u' t" S       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：
. f4 \! _& Z+ m% m4 J* E  K& R( y

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：
. U; u. p) u" }
抓取确切结果
' _& \! j4 P7 n' T8 E# ^/ h( F+ L! a       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：
. V- d7 s0 w+ [" L1 e/ x; u

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：

/ U! T" _, P: w" T自定义请求模块参数
" u5 n/ B0 W7 V' y       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：
7 w% E4 }+ K4 p, y8 u

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：
; H2 `* G% L. v6 i

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：
% {  {' T  z: a3 w4 a
. x  E7 a6 E& _保存模型
! @' E1 G1 m% T       我们可以保存抓取的模型以便以后使用：
; Y( x+ G3 H' `5 W) H1 N* J, r

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。
7 \' V1 p1 ?; q  p: B/ C4 b0 v