让你的爬虫“聪明起来”

admin

简介
- y4 C4 G9 B6 e( Y% k% B       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。
, F) c0 F. Y' N1 Y! g* B4 S! u8 J下载安装
: P- K8 ~: {/ j. ~" `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：
# K$ F8 H: M; k7 D2 `" F: t9 K（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
$ Q( H" y3 N& x5 F3 R( \6 P（3）下载源码后进行安装  $ python setup.py install
7 p5 ]/ W" u4 ~% r' y+ e/ V: W简单使用
8 q1 e4 `) Y! {7 R0 c6 G; n6 a       假设我们想在stackoverflow页面中获取所有相关的文章标题：
8 H% N+ a% \5 H, G" N" |

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：
& {# S$ f( L  Z  ~* k

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 y8 w" H- V# g! T8 M       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：
/ f. |8 L. m' {. A/ d# t
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：
. w$ \+ D1 E* l4 g
; a. g' c! M- {0 O7 [自定义请求模块参数
       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：
  ~& T) F9 o$ K2 T& @  X4 Q) s

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：

保存模型
/ A. R3 y/ h# @       我们可以保存抓取的模型以便以后使用：
) }+ l* G' u' ~( l2 G0 E

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。
3 Q$ ?2 H- a- l/ z7 C+ R3 g
1 O' @, }& M! V6 ^, t