让你的爬虫“聪明起来”

admin

简介
; g4 j- G" I4 j" s, L4 C/ v5 T+ h       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。
, {0 e, H7 x3 M) w: s0 b下载安装
3 E- ]; h0 D3 X; p项目的源码地址是：https://github.com/alirezamika/autoscraper
兼容 Python 3。可使用以下方法进行安装：
: J. S; ~2 H  D1 j3 B* s7 r% u（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
% j' G1 V. M- N0 a（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
3 S) E" u% Y" U% C       假设我们想在stackoverflow页面中获取所有相关的文章标题：
5 J- l  \6 `. O8 o  D

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：
$ A4 h- L) N% s2 c8 D

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：
9 O1 c. b4 P6 |0 E! J. G
/ r4 ?. s% w" \9 j! i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：
- i# a7 r3 a0 Z$ R& D: D( ^( 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：
4 v, n. H+ i( l. ?/ ]
自定义请求模块参数
) e- E5 a; W9 L* Y6 E- [2 b       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
       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：
9 Y: i9 E4 @2 g8 r- j

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：

9 v+ T* G7 i9 m2 n! c$ Y. R保存模型
6 O! \2 `6 G. [5 S1 f2 ~       我们可以保存抓取的模型以便以后使用：
/ u+ e/ c( Y+ C! M) h7 i

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" I6 ~0 B' K5 x" E$ p