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。
下载安装
: m9 Y5 X/ a6 g+ m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：
+ d9 R3 J  r7 _! |1 U4 t（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
! N* w2 {' E6 v) A& z# Y/ X1 t（3）下载源码后进行安装  $ python setup.py install
* Q, o' X2 B! F& S( l简单使用
2 N, P- `+ |$ G0 k- H/ H       假设我们想在stackoverflow页面中获取所有相关的文章标题：
- S* O5 m6 v% ], I

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：
7 D# G6 D2 W/ F" V

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 n, ]2 l$ E5 a# V- p* l) f* ^       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：
9 s4 Q6 Y/ B& ~

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：
! [) Z/ r! m" D' o3 B4 l7 l$ V) v
9 l" _. g. W2 l& e抓取确切结果
* i$ T& l2 v8 m' [- Q" u! _: {( v       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：
) [, M9 R( t* c# 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：
6 l( k9 h; X2 X$ @3 T8 ]0 e
+ _$ R0 R1 H) R, ?自定义请求模块参数
# b; D: X! ~! k6 t. r- E       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：
! N- S  k, A5 {( y2 \# P# n9 L; h

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：
% J! y. I5 J# `9 M' ~

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：

2 z8 g8 g% t: j# ~$ \保存模型
7 |4 O4 V6 N6 w* w       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。

( L! l% m' Y, ^2 o- h