让你的爬虫“聪明起来”

admin

简介
  _: {* _# G7 C, g       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。
, C1 C4 `) w9 L8 Z  G下载安装
2 _3 `& [8 `' w7 W% Q项目的源码地址是：https://github.com/alirezamika/autoscraper
4 k; x" {% Y& d$ G7 q" z0 ~- u兼容 Python 3。可使用以下方法进行安装：
+ Z* ^) J1 P" F$ w" w/ 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
（3）下载源码后进行安装  $ python setup.py install
! P1 s1 @, z: \$ \# A, Y简单使用
" O/ [; {0 G' }5 m) u* y8 g* e       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：

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
       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：
) Q& M: ~4 Y# f% n' V& W$ G

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：

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：

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：
- |1 s1 h( F% B
自定义请求模块参数
* q" X/ K4 \0 }/ M3 R' y. c& `       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：
& F* R5 W. _: P8 r- P, a# t$ x/ l

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：
1 F% }8 p" G' [- n/ C; f
保存模型
       我们可以保存抓取的模型以便以后使用：
  ^! [4 w2 V" _  i: {) ]# r! P! g

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。
, F9 [. p( T& E
2 _% m5 \( {, G! z5 H$ Y/ n