让你的爬虫“聪明起来”

admin

简介
3 \/ x6 \, K  l4 l& ?       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。
% m, G+ u/ [; H+ F+ t9 @$ n下载安装
! L+ b! j) K2 h  w; G, d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：
1 v0 Y0 f$ l7 i, H% {4 X8 f' n（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
- G& D( U+ w1 B9 d9 b（2）从PyPI获取安装  $ pip install autoscraper
8 I& |  J: w0 B" H, B  y（3）下载源码后进行安装  $ python setup.py install
简单使用
8 x6 M7 D3 @* H) I       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：
) ?9 L7 X( @) e! S

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
4 s3 T1 q1 c: ]* o. s1 \# G4 t       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
       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：
, D  z, M. P! z' A; z6 [8 ]" F

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：

自定义请求模块参数
" R2 L; j4 Y* e; y0 D5 k3 R       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：
( U5 q" [  _! r9 {

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
+ y; `  X# m7 S) M( Z       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：

" s; A$ h, d2 O) v7 ^' d0 d: k保存模型
" ]: S$ V( Z" T( \$ ?- D% E       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。

' ], \0 C7 L/ \3 L& ~' N: D