让你的爬虫“聪明起来”

admin

简介
5 W' q6 U) m) i+ E. p' G       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。
下载安装
6 B/ K+ w& |7 j项目的源码地址是：https://github.com/alirezamika/autoscraper
' i) }" a0 S2 v7 j兼容 Python 3。可使用以下方法进行安装：
, b5 ?7 s! U( N3 f. y（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
5 E/ V5 o: y) h! U8 c8 Q- Q（2）从PyPI获取安装  $ pip install autoscraper
+ C- v  k, h0 W$ Y: E) V9 U（3）下载源码后进行安装  $ python setup.py install
7 |& [: M3 j% O9 d简单使用
4 V: y" a0 s, U/ Y; h, {: ^0 \+ @       假设我们想在stackoverflow页面中获取所有相关的文章标题：

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：
5 i) r6 `) X( T) ], L; ^# t5 x; `# g
抓取确切结果
* A! c9 O2 b- ]! P2 M' o# @1 T       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：
9 h: m7 A& J8 V  q4 k

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：

* D/ u& F8 j6 h, p" m" c  w  v* X自定义请求模块参数
% @! v, a! }6 D  A, ^       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：
) d4 W6 ?/ C4 Q5 F1 [7 z

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：
- o- E( s- B/ ?

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：
1 D4 X! o5 }1 W% C$ o
$ Y7 m1 z+ l: _6 j. }7 Q6 g保存模型
       我们可以保存抓取的模型以便以后使用：
$ d% ]7 I' K4 h& I; W7 `7 {

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。
/ J3 o- |2 q, E/ g+ G( W) T% n3 r
; \8 C# N0 r$ o$ a