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。
: c/ j: D+ |- @+ @2 L" c下载安装
# {2 N/ {  E% j8 g5 o4 `' S& t6 W: ~项目的源码地址是：https://github.com/alirezamika/autoscraper
$ E  y. L2 ]- e! A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
9 u1 w- G' e; g. h/ w: i+ f（2）从PyPI获取安装  $ pip install autoscraper
（3）下载源码后进行安装  $ python setup.py install
% M$ @2 s" k- J( ~$ F7 |8 x& E/ |7 v简单使用
) @4 u( I  D, }! u6 w9 u       假设我们想在stackoverflow页面中获取所有相关的文章标题：
' c7 s5 O  ^. u$ a, }

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：
! F/ D  w. I. |6 j' w

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：
0 W- g& A9 H+ |' d! g3 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：

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：
7 ]7 V5 }7 L1 s0 O/ y! @
$ r5 ]8 N  k3 F3 T) U自定义请求模块参数
8 Q. ]$ O1 A5 L6 {% @       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：

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
" f' Q8 s1 {& C7 Y+ T# A  C4 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：
, t5 P: {& Z/ ^; `* o5 Y: b

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：
& L5 \: U, ^6 z, A6 q
8 Z% q! m" Z6 p/ s2 S3 x9 a1 ?保存模型
       我们可以保存抓取的模型以便以后使用：
9 s& Q4 }$ A7 T* u, q& z  s& ~

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。
2 Y+ f8 H7 E& s4 [$ T! a3 k' ?2 E