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。
) K4 c+ M! [! N下载安装
4 u/ C: ?5 z; o- H" C: a项目的源码地址是：https://github.com/alirezamika/autoscraper
8 m4 y+ s  V# v2 f& ~兼容 Python 3。可使用以下方法进行安装：
4 i; m/ H1 W5 n( E) `! ?( F) R( @$ J（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
/ R8 K$ h' j! l（2）从PyPI获取安装  $ pip install autoscraper
（3）下载源码后进行安装  $ python setup.py install
% \3 u6 ?; `: c5 \) p0 M简单使用
8 N/ O6 v9 Y/ Z' E       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：
8 i% G. w5 X9 G3 t7 X2 ]

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：
3 n5 b# ~  h/ i( h# ^9 Q  C5 w

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：
/ C9 j# Q: |+ o
3 Z. p  ^& `8 \7 r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：
, h% x0 b1 X1 w9 E, X9 m4 F0 R% V6 V

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 H3 [* X+ @$ Q2 g! P$ J- `4 B
! B+ d; i6 ~1 a! T* g# f5 b; x自定义请求模块参数
: {! w' Z% x+ U1 C5 Y2 j       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：
& {0 o  ]/ A/ i5 Q# o: ?* S5 F

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* g7 K2 G1 R9 _       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：
* l. J2 r0 l) b3 D
( _* l% I6 D/ P) z2 \保存模型
7 e& L( M$ M6 K, e- w, i% ^       我们可以保存抓取的模型以便以后使用：
# G: J7 f3 h% P. z) w9 p- W

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。