让你的爬虫“聪明起来”

admin

简介
5 v/ g# W; x" [4 C7 @0 A       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
1 L& c5 Q6 y2 l4 }7 R: T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：
- m5 M& `3 D" b! w（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
  l9 O! ?, Z4 t* Y3 v& }7 q（2）从PyPI获取安装  $ pip install autoscraper
（3）下载源码后进行安装  $ python setup.py install
5 R$ k( Z$ z) S/ l) F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：
2 y8 w/ n2 w/ [6 u' a" P9 W

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：
1 X; d% F# A$ ^

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
/ O) E  P0 q/ n2 K4 K- l       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：
; e7 v" |: R# T  c; 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：

抓取确切结果
; t% ^) W8 z+ P; e# `$ T1 V( @# e2 ]* \       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：
+ p0 W5 B/ r* Z, w* k% Y& y5 x4 L9 L

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：

1 S0 `5 B& E( v" o2 G! H* [, ]$ [自定义请求模块参数
       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：
+ ^, j. H1 x/ a3 K- |9 f

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：
4 x7 D. Q  n/ r9 L' W3 P9 ?. v
保存模型
4 V0 J. o2 [/ r/ ]& O       我们可以保存抓取的模型以便以后使用：
# o! t4 @7 M1 n7 N) j% n0 f

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。
) G# s. Q+ z4 T4 O2 t4 I+ o( u
6 [4 U- G, A# K0 E2 z( g) G0 j