让你的爬虫“聪明起来”

admin

简介
; p2 E' O' M) G4 O8 e+ |       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。
7 i$ d* \; ~3 N. B" E下载安装
项目的源码地址是：https://github.com/alirezamika/autoscraper
( u! K0 F" D% ~7 q! P兼容 Python 3。可使用以下方法进行安装：
9 K/ w+ m5 J& U- c: \" E（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
/ P3 V3 k: Z' X7 ]3 X1 G（3）下载源码后进行安装  $ python setup.py install
3 m# A0 x, a7 n$ C/ `/ D# h简单使用
, f1 u) |! L' M- d* J" D( ^, Q# f       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：
" s1 w7 p. z) o

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
9 F5 w& u; n! X; F. s* n& U( K       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：

( {9 l2 ]+ f. u2 v) z; B: q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：

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：
$ x3 T6 `! ~- _( O
自定义请求模块参数
; ~3 [' p1 {4 j. Q* a# `# T; v2 i       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：
/ |2 @+ W  n) I3 c  |

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
, Q. C# @# `, @6 e! ~       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：
+ H6 F1 K; e/ Z# b

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：
: Y4 K1 \1 _( z7 C' X/ O% z
保存模型
2 z- v# j  E2 U4 D9 U       我们可以保存抓取的模型以便以后使用：
1 l! {# d; ]  K) ^1 e% z% j

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。