让你的爬虫“聪明起来”

admin

简介
       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 N* l- y0 S4 G0 D# i. p% e下载安装
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：
) W* u& [# C; v（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
2 y- S! P$ S  m9 X+ w! `（3）下载源码后进行安装  $ python setup.py install
3 P8 o2 K+ K3 s" i+ s简单使用
' l/ d1 `6 m! Y- x" J% k. M0 T       假设我们想在stackoverflow页面中获取所有相关的文章标题：
' e2 U8 g, C" X; A5 S+ H, V

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：
, p- j: Y% {: `; I, C! ^2 r

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
# ]9 y. A9 M9 j1 Q+ d       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：

抓取确切结果
, `% n. M6 O( _8 H( c# J. u, D       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：
4 \; g! l/ \$ g3 V4 }- ~

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：
( a! T" ]$ y8 X, w" ]
' B5 `1 A! ?, B) X( I自定义请求模块参数
$ I; K1 t+ |9 x       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：
# r; c! d7 L. y7 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
9 M, Y1 ]; d" l4 p, }& A       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：

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：
' U2 ^' C0 T- a: e3 Q
保存模型
7 u5 |: C7 |/ J7 d       我们可以保存抓取的模型以便以后使用：
/ d( X# K, P& U

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。
# S' v8 C7 N; `
! [  T  f9 o* N6 b$ {% `