2026年7月2日 周四晚上19:30,报名腾讯会议了解“如何构建自进化的动态知识库(Brain)”(限30人)
免费POC, 零成本试错
FDE知识库

FDE知识库

学习大模型的前沿技术与行业落地应用


收藏

爬虫写得好,牢饭吃得早,大模型ScrapeGraphAI助力高质量爬虫

发布日期:2024-06-01 18:16:49 浏览次数: 4102
作者:超维链习社

微信搜一搜,关注“超维链习社”

ScrapeGraphAI 是一个 Python 库,它利用大型语言模型(LLM)和直接图形逻辑为网站、文档和 XML 文件创建抓取管道。这个库的特点是,用户只需要描述他们想要提取的信息,库就会自动完成抓取任务。

安装 ScrapeGraphAI

  1. 通过 pip 安装 ScrapeGraphAI:

    pip install scrapegraphai
  2. 安装 Playwright,用于基于 JavaScript 的抓取:

    playwright install
  3. 建议在虚拟环境中安装库,以避免与其他库发生冲突。

使用 ScrapeGraphAI

ScrapeGraphAI 提供了三种主要的抓取管道:

  • SmartScraperGraph:单页面抓取器,只需要用户提示和输入源。

  • SearchGraph:多页面抓取器,从搜索引擎的前 n 个搜索结果中提取信息。

  • SpeechGraph:单页面抓取器,从网站提取信息并生成音频文件。

示例用例

  1. 使用本地模型的 SmartScraperGraph

  • 确保已安装 Ollama 并使用 ollama pull 命令下载模型。

  • 示例代码展示了如何创建 SmartScraperGraph 实例并运行它,以获取项目列表及其描述。

  • 使用混合模型的 SearchGraph

    • 使用 Groq 作为 LLM 和 Ollama 作为嵌入模型。

    • 示例代码展示了如何创建 SearchGraph 实例并运行它,以获取 Chioggia 的传统食谱列表。

  • 使用 OpenAI 的 SpeechGraph

    • 只需要传递 OpenAI API 密钥和模型名称。

    • 示例代码展示了如何创建 SpeechGraph 实例并运行它,以生成项目摘要的音频文件。

    输出示例

    • SmartScraperGraph 的输出是项目及其描述的列表。

    • SearchGraph 的输出是食谱的列表。

    • SpeechGraph 的输出是页面上项目摘要的音频文件。

    注意事项

    • 在使用之前,需要设置 OpenAI API 密钥。

    • 文档和参考页面可以在 ScrapeGraphAI 的官方页面上找到。

    ScrapeGraphAI 库通过简化抓取过程,使得用户无需深入了解网页结构或编写复杂的抓取逻辑,就能够从网站中提取所需信息。这对于需要从多个来源收集数据的用户来说,是一个非常有用的工具。

    ? Quick install

    The reference page for Scrapegraph-ai is available on the official page of pypy: pypi.

    pip install scrapegraphai

    you will also need to install Playwright for javascript-based scraping:

    playwright install

    Note: it is recommended to install the library in a virtual environment to avoid conflicts with other libraries ?

    ? Demo

    Follow the procedure on the following link to setup your OpenAI API key: link.

    ? Documentation

    The documentation for ScrapeGraphAI can be found here.

    Check out also the docusaurus documentation.

    ? Usage

    There are three main scraping pipelines that can be used to extract information from a website (or local file):

    • SmartScraperGraph: single-page scraper that only needs a user prompt and an input source;

    • SearchGraph: multi-page scraper that extracts information from the top n search results of a search engine;

    • SpeechGraph: single-page scraper that extracts information from a website and generates an audio file.

    It is possible to use different LLM through APIs, such as OpenAIGroqAzure and Gemini, or local models using Ollama.

    Case 1: SmartScraper using Local Models

    Remember to have Ollama installed and download the models using the ollama pull command.

     scrapegraphai.graphs  
    
    graph_config  {
    : {
    : ,
    : ,
    : ,  
    : ,  
        },
    : {
    : ,
    : ,  
        },
    : ,
    }
    
    smart_scraper_graph  (
        prompt,
    
        source,
        configgraph_config
    )
    
    result  smart_scraper_graph.()
    (result)

    The output will be a list of projects with their descriptions like the following:

    {'projects': [{'title': 'Rotary Pendulum RL', 'description': 'Open Source project aimed at controlling a real life rotary pendulum using RL algorithms'}, {'title': 'DQN Implementation from scratch', 'description': 'Developed a Deep Q-Network algorithm to train a simple and double pendulum'}, ...]}

    Case 2: SearchGraph using Mixed Models

    We use Groq for the LLM and Ollama for the embeddings.

     scrapegraphai.graphs  
    
    
    graph_config  {
    : {
    : ,
    : ,
    : 
        },
    : {
    : ,
    : ,  
        },
    : ,
    }
    
    
    search_graph  (
        prompt,
        configgraph_config
    )
    
    
    result  search_graph.()
    (result)

    The output will be a list of recipes like the following:

    {'recipes': [{'name': 'Sarde in Saòre'}, {'name': 'Bigoli in salsa'}, {'name': 'Seppie in umido'}, {'name': 'Moleche frite'}, {'name': 'Risotto alla pescatora'}, {'name': 'Broeto'}, {'name': 'Bibarasse in Cassopipa'}, {'name': 'Risi e bisi'}, {'name': 'Smegiassa Ciosota'}]}

    Case 3: SpeechGraph using OpenAI

    You just need to pass the OpenAI API key and the model name.

     scrapegraphai.graphs  
    
    graph_config  {
    : {
    : ,
    : ,
        },
    : {
    : ,
    : ,
    : 
        },
    : ,
    }
    
    
    
    
    
    speech_graph  (
        prompt,
        source,
        configgraph_config,
    )
    
    result  speech_graph.()
    (result)

    The output will be an audio file with the summary of the projects on the page.

53AI,企业落地大模型首选服务商

产品:场景落地咨询+大模型应用平台+行业解决方案

承诺:免费POC验证,效果达标后再合作。零风险落地应用大模型,已交付160+中大型企业

联系我们

售前咨询
186 6662 7370
预约演示
185 8882 0121

微信扫码

添加专属顾问

回到顶部

加载中...

扫码咨询

扫码登录
登录即表示您同意《53AI网站服务协议》
服务协议

欢迎您使用【53AI 官方网站】(以下简称“本网站”或“我们”)。本《会员服务协议》(以下简称“本协议”)是您(以下简称“会员”或“用户”)与【深圳市博思协创网络科技有限公司】之间关于注册、登录及使用本网站会员服务所订立的法律协议。

在您注册或登录前,请务必审慎阅读、充分理解各条款内容,特别是免除或限制责任的条款、知识产权条款、争议解决条款等。此类条款将以加粗形式提示您注意。 当您通过微信公众号授权、手机验证码验证或其他方式成功登录本网站时,即视为您已完全理解并同意接受本协议的全部内容。

一、 定义

本网站:指由【深圳市博思协创网络科技有限公司】运营的,域名为【53ai.com】的网站及相关移动端页面。

会员服务:指本网站向注册会员提供的知识库文章查阅、内容检索及其他相关增值服务。

知识库内容:指本网站发布的包括但不限于文字、图表、数据、研究报告、行业分析等数字化内容资源。

二、 账号注册与登录

登录方式:本网站支持以下登录方式,您可根据实际情况选择:

微信公众号授权登录:您同意将您的微信OpenID信息授权给本网站,用于创建或关联会员账号。

手机验证码登录:您需提供真实有效的手机号码,并通过短信验证码完成身份验证与登录/注册。

账号安全:您的账号仅限您本人使用,禁止赠与、借用、租用、转让或售卖。因您保管不善导致的账号被盗、密码泄露等损失,由您自行承担。

实名认证:根据相关法律法规要求,我们可能要求您在特定功能下完成实名认证。如您拒绝提供,可能无法使用部分或全部服务。

未成年人保护:若您未满18周岁,请在法定监护人的陪同下阅读本协议,并在征得监护人同意后使用本服务。

三、 服务内容与规范

知识库查阅权限:会员登录后,有权按照其会员等级对应的权限范围,在线浏览、检索本网站知识库中的相关文章及内容。

服务变更:我们有权根据业务发展需要,调整、变更或终止部分服务内容,并将以网站公告、公众号消息等方式提前通知。

禁止行为:您在使用服务时不得实施以下行为:

利用技术手段批量爬取、下载、转存知识库内容;

将知识库内容用于商业目的或未经授权地向第三方传播;

干扰本网站正常运行或侵犯其他用户合法权益;

发布违法违规信息或从事违反公序良俗的活动。

四、 知识产权声明

权利归属:本网站知识库中的排版设计、软件代码等内容的知识产权均归【公司全称】或原权利人所有,受《中华人民共和国著作权法》等法律保护。

有限许可:本网站授予会员一项非独占、不可转让、不可转授权的普通许可,仅限于个人学习、研究之目的在线查阅知识库内容。

侵权追责:未经书面许可,任何单位或个人不得以任何形式复制、转载、摘编、镜像、汇编或以其他方式使用上述内容。一经发现,我们保留追究其法律责任的权利。

五、 个人信息保护

我们重视对您个人信息的保护。关于我们如何收集、使用、存储和保护您的个人信息,请单独阅读 《隐私政策》。

您通过微信公众号授权或手机号验证所提供的信息,我们将严格按照《个人信息保护法》的规定处理,仅用于身份识别、服务提供及安全验证等必要用途。

您可以随时通过网站设置或联系客服行使查阅、更正、删除个人信息及撤回授权同意的权利。

六、 免责声明

内容准确性:知识库内容仅供参考,不构成专业建议。我们不对其完整性、准确性、时效性作任何明示或暗示的保证,您应自行判断并承担使用风险。

不可抗力:因自然灾害、政策法规变化、网络故障、第三方平台接口异常(如微信接口维护、运营商短信通道故障)等不可抗力导致的服务中断或延迟,我们不承担违约责任。

第三方链接:本网站可能包含指向第三方网站的链接,该等网站的内容和服务不受我们控制,请您自行甄别风险。

七、 违约责任

如您违反本协议约定,我们有权视情节采取警告、限制功能、暂停服务、注销账号等措施,并保留要求赔偿损失的权利。

如因您的违约行为导致我们遭受行政处罚、第三方索赔或商誉损失,您应承担全部赔偿责任(包括但不限于罚款、赔偿金、律师费、公证费等)。

八、 法律适用与争议解决

本协议的订立、执行和解释均适用中华人民共和国大陆地区法律。

因本协议产生的或与本协议有关的任何争议,双方应友好协商解决;协商不成的,任何一方均可向【公司所在地】有管辖权的人民法院提起诉讼。

九、 其他

本协议构成双方就本服务达成的完整协议,取代此前任何口头或书面约定。

本协议任一条款被认定为无效或不可执行的,不影响其他条款的效力。

我们对本协议享有最终解释权,并在法律允许的范围内保留随时修改的权利。修改后的协议一经公布即生效,继续使用服务即视为同意修订内容。


已查阅