让你的爬虫“聪明起来”

admin

简介
  W; h5 v8 Y) Y1 |       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。
4 h! \' g4 @) C7 W& p4 E/ e. i下载安装
. _: |# n. Z' c) O6 k- p/ O% C3 e项目的源码地址是：https://github.com/alirezamika/autoscraper
/ s8 X" k7 u  n兼容 Python 3。可使用以下方法进行安装：
（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
（3）下载源码后进行安装  $ python setup.py install
简单使用
4 l4 W4 _" P" L1 {" h       假设我们想在stackoverflow页面中获取所有相关的文章标题：
4 x: B$ V5 X4 H7 O, f5 m8 t

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：
" _8 K  b) ]; s

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：
$ w- [2 B7 h# p' c; }8 G7 o
7 \7 J* k2 s; b/ a5 s: ~! [( t; ], |抓取确切结果
( M. d' ?# n, f5 E; J2 f6 F       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：

/ u; H/ p: }$ S3 C( ~自定义请求模块参数
. n8 g  \+ Z4 Y5 `0 m& O       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：
/ e( A) ]+ M7 [9 f  B# M8 \

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
* j6 P& ]+ W  @4 I       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：
4 k3 ~9 m8 u. P  C

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：
0 c# l4 ^6 u. _' \
) t" Z; q3 U1 J; Y7 k保存模型
& q8 _. @" w, u2 v1 b, P. r" Q       我们可以保存抓取的模型以便以后使用：
3 c* @8 @) c* t; l% B3 b' O

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。