简介 # _+ ^/ b- Y7 e
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。- Y5 M5 J0 J- \' j1 C" H
下载安装
{1 U. N! {: G3 g& S$ K: W0 @ 项目的源码地址是:https://github.com/alirezamika/autoscraper
O9 ?0 `# x2 X% U) t8 y 兼容 Python 3。可使用以下方法进行安装:2 b: q( Y" C" a! F+ x
(1)从git获取安装 $ pip install git+https://github.com/alirezamika/autoscraper.git
5 H, `: R) W9 I: g) P (2)从PyPI获取安装 $ pip install autoscraper
/ T+ D. ?1 ]7 y7 x, y (3)下载源码后进行安装 $ python setup.py install* g3 Z: p. y: F
简单使用 , ?3 @3 B+ u y+ m" {9 v
假设我们想在stackoverflow页面中获取所有相关的文章标题:% y. J8 T: k! }6 l% T9 P* ~
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 H# H8 m7 P1 O2 u) W
[
'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 * M+ J. X) n% [* N7 B! o" D0 L) w/ V
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 j1 A) {# t, ]+ q& N6 h
scraper.get_result_similar('https://stackoverflow.com/questions/606191/convert-bytes-to-a-string') 两个页面的抓取结果为:
' g7 y/ L* P7 e( g3 B1 O
% p/ ?/ v" w) Z; L7 ^% Q% {6 n- G/ C 抓取确切结果
/ Q5 X2 |) Z* ~6 J' P! S6 Z1 w 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:
8 Q! T& v) j+ _; O 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:' l- I5 \" _8 i) r0 i- X ~7 w
* p9 ^' _7 Y# J/ X- W$ v 自定义请求模块参数 : O% ~9 ]0 G& U' J
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:
. _% x; p& G) P5 H+ Q. ^ 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 g; w3 h3 O0 Z! {# Q 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:; {/ H9 s. f( \ M+ d& b" _
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:
; B+ _8 G) v" I
9 V9 k! {0 D& [) D 保存模型 - U% N9 g& ]) m
我们可以保存抓取的模型以便以后使用:
9 x& w& u1 c5 Z, n; ? W3 u # 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。; v; t) b3 K3 N
- f9 m, b- f( d