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。
' G" G1 u* M0 X! u* N4 c下载安装
' l$ q& |8 d3 H. p* p项目的源码地址是：https://github.com/alirezamika/autoscraper
& t- [$ W* ]' t3 W/ \兼容 Python 3。可使用以下方法进行安装：
$ g$ J5 F, ?7 M6 w/ O3 X（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
# p7 a5 U/ T- h, c3 g（2）从PyPI获取安装  $ pip install autoscraper
（3）下载源码后进行安装  $ python setup.py install
简单使用
# [# B# f8 r3 t0 d* l( E       假设我们想在stackoverflow页面中获取所有相关的文章标题：
9 _) {; x8 y0 Q9 I: m- z

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：
" X" s1 R- H, B

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
7 d# D1 V% ]) P; D- N. @0 j7 ]       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：
$ y3 W+ g$ U( J5 P8 @- {; k

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：
) n" g3 I  ]* `0 [  Q7 p
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：
3 ]% g- B0 n( x. ^1 m

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/ ^3 r3 P  j
7 X; G; s6 r! u. Q, P自定义请求模块参数
/ d* `+ K8 U7 v3 \- g       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：
! R( ^4 v) t* m& U/ F1 N1 ]

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
7 u0 q$ e3 N, E. Y4 ^       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：
5 H! i% X. m* p9 ]; f

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：

/ }  W5 ?% H+ N保存模型
; O7 |5 U0 ]: |; w4 z       我们可以保存抓取的模型以便以后使用：

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。
' W, U; T  g0 D1 Z6 {+ O+ X& p
/ m: l- e. ]5 c2 |# c; b5 z+ C$ m