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
项目的源码地址是：https://github.com/alirezamika/autoscraper
! C# E5 w& j+ b$ e$ D. C兼容 Python 3。可使用以下方法进行安装：
* [" w8 E9 I$ r9 ]% @: 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
5 Z& w/ Y7 d3 V& k（3）下载源码后进行安装  $ python setup.py install
9 f1 H) {; s0 Y- `0 h$ L: H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：

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：
/ i* v. H; p3 b5 o8 f6 w5 ~

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
: r9 B4 W7 r- q8 o$ a4 O8 ^       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：
7 D+ [3 S; D4 f' H

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
: z- n* p, H9 N7 y3 H       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 O' ]" a3 j( q- E6 Z4 F

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：
- w, f9 ^% }+ V' v7 `0 S: ~
& f4 q; B4 m9 Z- @% w自定义请求模块参数
2 h+ v7 _0 Z. k; P  b       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+ P5 g  l3 L% y( ^/ {

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
6 |' i. l+ r! N6 Z! z$ Z9 Z       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：
8 g6 n6 Z/ k7 A% }! L5 R

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：
7 H5 e; y, }: X, C6 G
保存模型
       我们可以保存抓取的模型以便以后使用：
; S' I, _! f) W- K

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。
- n, k8 n! F' _6 {+ r
( z4 |# v2 @* ]3 ?7 r- Z& Q