AutoScraper !让你的爬虫“聪明起来”!

开源前哨

共 2499字,需浏览 5分钟

 ·

2020-12-05 17:10

【导语】:AutoScraper是一个智能、自动、快速和轻量级的Web爬虫,使用简单便捷,让你从此告别爬虫手动解析网页和写规则的烦恼。


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。


下载安装


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:

(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

(3)下载源码后进行安装

$ python setup.py install


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:

from autoscraper import AutoScraperurl = '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:

[    '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:

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


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:

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:


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:

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:

from autoscraper import AutoScraperurl = '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:


保存模型


我们可以保存抓取的模型以便以后使用:

# 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。


- EOF - 


更多优秀开源项目(点击下方图片可跳转)

 


如果觉得本文介绍的开源项目不错,欢迎转发推荐给更多人。



分享、点赞和在看

支持我们分享更多优秀开源项目,谢谢!

浏览 51
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报
评论
图片
表情
推荐
点赞
评论
收藏
分享

手机扫一扫分享

分享
举报