简介
% B7 Z. X) m& u% `- T' V( S" n 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。9 S/ d. r8 e- E. ~0 s( R" {
下载安装
7 \2 t+ G- @) M7 s1 \- [6 ^# a 项目的源码地址是:https://github.com/alirezamika/autoscraper & R: _* w( Y/ z9 s" P
兼容 Python 3。可使用以下方法进行安装: P+ |5 _1 G% H; g
(1)从git获取安装 $ pip install git+https://github.com/alirezamika/autoscraper.git 4 F3 e+ I g( J/ }+ t2 O& X
(2)从PyPI获取安装 $ pip install autoscraper
n- O7 u3 T$ {3 z. H" F9 ^4 q (3)下载源码后进行安装 $ python setup.py install
8 t2 D9 [( G1 s* G1 g! F) ^ 简单使用
! d# K- a/ A) J; `; q/ q 假设我们想在stackoverflow页面中获取所有相关的文章标题:( ?3 y0 D/ I. G8 D4 u+ S
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:
4 n" J* L7 N% C# ^ [
'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 # x# {4 g: @% D4 W; Y0 q5 L( G- L. s
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:
2 Y* L) O( V7 y scraper.get_result_similar('https://stackoverflow.com/questions/606191/convert-bytes-to-a-string') 两个页面的抓取结果为:
7 k7 {1 h8 p5 m
$ M% `, F! s; F& }# R 抓取确切结果 1 T# \9 T/ n: w3 E4 Y0 l
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:
! |6 n5 X* x5 O$ D7 Z6 c1 x- k% _ 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:5 @- ^( L% r2 p8 i' S
2 O, P! k) t U5 t2 h, [9 d 自定义请求模块参数 7 p: q+ m8 `: l% O% D# z( \# W
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:3 B+ A" P+ I* x r& L9 Z! B
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
1 O; h% t0 C8 @; R 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 n# j Z( l2 M/ V& o. E, a
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:
/ \7 Y; g$ F7 q8 w
. S# g6 G n* J. A9 L* u6 H 保存模型 6 D. q5 q0 @$ I+ T8 U
我们可以保存抓取的模型以便以后使用:
6 e" B' d$ l$ I) t # 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。& _* s' h8 E# T7 O: n
% t5 l+ ]2 ~6 e7 I t