让你的爬虫“聪明起来”

admin

简介
0 C' I9 M9 T+ A! Y: X0 U& M       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
项目的源码地址是：https://github.com/alirezamika/autoscraper
; g2 p, i' j* |( b" A4 w" p  A兼容 Python 3。可使用以下方法进行安装：
' N6 E5 A2 f$ I4 _" L0 G2 h; y（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
$ q: Z8 r2 G3 o5 j7 ]& v) I$ R6 o（3）下载源码后进行安装  $ python setup.py install
" {6 u8 r2 `5 q简单使用
       假设我们想在stackoverflow页面中获取所有相关的文章标题：
- s- E. f+ |9 e6 v" c( h9 U

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：
+ H! s; l) C6 j8 t4 k* Y

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
6 V* N% ^; ]& ~       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：

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：
2 v' _, N' V; K% Y5 C5 K8 ~0 D5 g
; ]- e- |" F' ^8 [9 U自定义请求模块参数
( t: ~$ G- W4 n% E       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：
+ Q  X6 [% Y+ `/ ^4 c5 u" {

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：
$ {6 [+ @3 {* G
! }2 F9 b6 f/ {0 O/ S  x8 n) a保存模型
       我们可以保存抓取的模型以便以后使用：

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。

- E6 z, s( B; G( d7 f