让你的爬虫“聪明起来”

admin

简介
; Z- J- M& k6 O       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。
5 l* J5 h4 i/ D9 ]下载安装
项目的源码地址是：https://github.com/alirezamika/autoscraper
3 v+ }; d- }$ g) j8 n9 h# M兼容 Python 3。可使用以下方法进行安装：
7 ~# o! G  a* d1 ]8 G（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
7 e6 k3 J3 q3 m3 U* [7 E- o（3）下载源码后进行安装  $ python setup.py install
$ [& _- A& z9 r4 W- [* Y简单使用
7 G  ~* Q# u5 t  u+ \8 q       假设我们想在stackoverflow页面中获取所有相关的文章标题：
$ v3 A. F" |+ @- E3 E( e/ n% y

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：

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：

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：
! ?" I! G, u6 L/ U4 q
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：

8 e3 g( `1 [9 U) d3 F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：
8 k7 z$ N( l! T7 y9 O, k7 Q6 B

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：
0 x. x" H0 |5 C0 m; _

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
       我们可以保存抓取的模型以便以后使用：
" H6 l/ T8 N3 [) `# R) P+ N# Z2 h2 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。
' l) G. s+ l: K, k8 J0 I
+ M9 Z3 ^. F# `+ I" b, n