AutoScraper ！让你的爬虫“聪明起来”！

（给Python开发者加星标，提升Python技能）

来源： 开源前哨

【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 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：

[
    '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 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：

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 -

推荐阅读  点击标题可跳转

觉得本文对你有帮助？请分享给更多人

推荐关注「Python开发者」，提升Python技能

点赞和在看就是最大的支持❤️