让你的爬虫“聪明起来”

admin

简介
( i/ A1 a8 S1 j9 W8 }& R       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。
8 D3 P8 Q2 X) Y( g! Z* }9 z下载安装
项目的源码地址是：https://github.com/alirezamika/autoscraper
" C8 |& A: E; J/ {兼容 Python 3。可使用以下方法进行安装：
（1）从git获取安装  $ pip install git+https://github.com/alirezamika/autoscraper.git
( u5 ^8 b% Z4 E3 V1 _7 S（2）从PyPI获取安装  $ pip install autoscraper
8 V1 g' o4 p) A  k（3）下载源码后进行安装  $ python setup.py install
2 K% M! A% R5 B" T! _简单使用
) ?' J3 T$ v+ H. {) y, N       假设我们想在stackoverflow页面中获取所有相关的文章标题：
9 B4 A7 J# }7 @+ 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：

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
/ m! Q9 S. s+ i3 x" L; F  T* j       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：
* O" Q- [; q- _: r9 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：

, e5 D0 l& d- s- }" g5 ^抓取确切结果
8 F9 ]7 u! i% W. |7 P       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：
2 I5 L2 q+ O9 n) G8 Z& G8 |3 i1 \/ a' V" 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：
& n" V4 u  O- m& C. E
" u+ f3 G  C! e4 I- t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：
, V- B' C4 V1 L, `, ?

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：
' t# W+ r+ C5 m6 }

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：

/ j0 i7 a& x8 i& M) Q# X保存模型
* v0 S1 E. A/ L0 _. x% l. F       我们可以保存抓取的模型以便以后使用：
1 i3 B0 B( y0 u& i

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。
+ u: v8 h- x) L
- C. x2 T! O" \! b, O+ |2 O3 u, C$ Y