让你的爬虫“聪明起来”

admin

简介
  l$ P3 I. F. x( K8 Z/ h! f" J       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
项目的源码地址是：https://github.com/alirezamika/autoscraper
6 S5 |3 d. s2 k. T1 r/ B: \兼容 Python 3。可使用以下方法进行安装：
3 r$ a3 i# e* F- B（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
! E( ?, f6 I1 C1 b3 J. w3 ?（2）从PyPI获取安装  $ pip install autoscraper
( D2 C- ]9 |0 V& U+ k9 h  f: D( j( A7 ]" q（3）下载源码后进行安装  $ python setup.py install
1 c( g9 H, L* Y- D6 V& x6 }简单使用
1 q% X' M0 c3 u( I$ t3 }2 w, x8 G" U       假设我们想在stackoverflow页面中获取所有相关的文章标题：
1 _( ]; _5 d! S" A7 ~* t& j

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
: g# u8 c. P" {* E  f       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：
; o# z8 V2 J2 }" q: ~8 ?8 J5 @
, L& x6 g6 i/ H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：
# v4 g  t" k# D( X7 e" K" o

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：
: F/ Z' I. A9 V( e$ q/ s
- M! C* ~( N0 l% a3 B/ F6 s自定义请求模块参数
) i- P/ E/ C* I  `/ H       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 z! v8 t- Y( k+ S5 v3 y! J4 B

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
' D8 e9 F  j4 @! {7 a       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：
+ x" A" }0 @& p, F$ g) q, k
. K8 a# X; ]: p保存模型
       我们可以保存抓取的模型以便以后使用：
& u" @+ }/ H$ q5 f' q0 c# 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。