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。
4 ~# w8 O' W# w' W7 _7 h1 l下载安装
项目的源码地址是：https://github.com/alirezamika/autoscraper
; q( S8 q! o; m6 t% g" j兼容 Python 3。可使用以下方法进行安装：
' v" Z- O6 a0 X) L$ B. c% D$ b（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
4 c( w/ S1 k  G, _; T6 z% Z% o: `（3）下载源码后进行安装  $ python setup.py install
! u0 H5 A2 `; R" v8 z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：
$ n& }3 w6 }( X3 x9 p% U3 a& Z

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：
  \5 k5 h3 @) B" r2 u% Y

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：
9 e  v  e. }8 V+ b3 }4 O4 b

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：

7 K; @1 w! c5 j- W抓取确切结果
$ B  w' ]8 ^8 h* 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：
; L2 B- c5 {' V$ Y% z3 B' t

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：
. [3 J8 i. ^0 R3 K
6 i# V2 g, ^# g8 m' D% \$ E* h自定义请求模块参数
" a8 d, }+ O' A# t       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：
8 b( t8 |: q! Z2 O- j6 x

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
* i9 F, J8 G; ]: F5 T. O       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：
2 J: u* z$ r  k8 L: L1 v

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：
/ X! n+ i7 e  U; @( N
( K9 ]: m/ Q, K" A1 f" B, N保存模型
9 k" W) _* B# D5 S3 z+ Y5 P       我们可以保存抓取的模型以便以后使用：
: k  c; L3 N2 C. q. l( _

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。
* f3 u; m9 f# d/ c. ~