让你的爬虫“聪明起来”

admin

简介
  e9 A& H) f/ w4 p. u, Z4 f! I; K       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。
% }% t' `4 f2 G; M3 `; G% X- J下载安装
项目的源码地址是：https://github.com/alirezamika/autoscraper
- m$ v1 g, E- e2 B兼容 Python 3。可使用以下方法进行安装：
（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
; g2 w, v9 p7 A3 Z1 ~（2）从PyPI获取安装  $ pip install autoscraper
: V9 B3 u3 b# T8 r（3）下载源码后进行安装  $ python setup.py install
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：
& Q# ?* z+ |$ T" q2 r

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：
9 y( m4 J. R" P: c1 ^

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：
# U7 X, {6 U; X* [

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：
' a2 G6 ?& s% \/ Q3 a
抓取确切结果
& T) E, t  @5 {4 a( t8 j, D0 `- K       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：
% t% v) e1 }1 h  C- @
自定义请求模块参数
- P* p  h' U& C5 i       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：
) o  r+ [% ^" V$ R! f* W

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
5 d+ w! D1 z+ d3 o! O       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
- a9 Z( r6 a& ^2 `( a- l       我们可以保存抓取的模型以便以后使用：
0 \* m: x* ~! F; A+ W# 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。
( ?- T; ^+ ~& y9 l* Z4 X) ]
2 @2 U8 ?: ]8 ~7 Y