crawlee

crawlee

功能强大的网页爬虫和浏览器自动化库

Crawlee是一个功能丰富的网络爬虫和浏览器自动化库,适用于各种网页数据采集和自动化任务。它提供HTTP和无头浏览器爬取的统一接口,支持持久化队列、可插拔存储和自动扩展。Crawlee具有代理轮换功能,能模拟人性化的爬取行为,有效避开常见的反爬虫措施。该库易于配置和使用,可快速构建稳定高效的爬虫系统。Crawlee基于Node.js开发,支持TypeScript,并提供了完善的文档和示例,方便开发者快速上手和集成。

Crawlee网络爬虫浏览器自动化数据抓取Node.jsGithub开源项目
<h1 align="center"> <a href="https://crawlee.dev"> <picture> <source media="(prefers-color-scheme: dark)" srcset="https://raw.githubusercontent.com/apify/crawlee/master/website/static/img/crawlee-dark.svg?sanitize=true"> <img alt="Crawlee" src="https://yellow-cdn.veclightyear.com/2b54e442/6a96ded1-2ca0-43c5-8d1a-9961845b8ee4.svg?sanitize=true" width="500"> </picture> </a> <br> <small>一个网络爬虫和浏览器自动化库</small> </h1> <p align=center> <a href="https://www.npmjs.com/package/@crawlee/core" rel="nofollow"><img src="https://yellow-cdn.veclightyear.com/2b54e442/9105cf11-2048-4a8f-9bd3-b2233812027e.svg" alt="NPM最新版本" data-canonical-src="https://img.shields.io/npm/v/@crawlee/core/next.svg" style="max-width: 100%;"></a> <a href="https://www.npmjs.com/package/@crawlee/core" rel="nofollow"><img src="https://yellow-cdn.veclightyear.com/2b54e442/d96c7c80-fd51-47f7-a6c3-11044ebcb287.svg" alt="下载量" data-canonical-src="https://yellow-cdn.veclightyear.com/2b54e442/d96c7c80-fd51-47f7-a6c3-11044ebcb287.svg" style="max-width: 100%;"></a> <a href="https://discord.gg/jyEM2PRvMU" rel="nofollow"><img src="https://img.shields.io/discord/801163717915574323?label=discord" alt="在Discord上聊天" data-canonical-src="https://img.shields.io/discord/801163717915574323?label=discord" style="max-width: 100%;"></a> <a href="https://github.com/apify/crawlee/actions/workflows/test-ci.yml"><img src="https://yellow-cdn.veclightyear.com/2b54e442/dc7f7467-bf84-427e-8be0-d1e6b152ba84.svg?branch=master" alt="构建状态" style="max-width: 100%;"></a> </p>

Crawlee涵盖了您的爬虫和抓取的全过程,帮助您快速构建可靠的爬虫。

即使使用默认配置,您的爬虫也会表现得像人类一样,能够避开现代机器人保护机制的检测。Crawlee为您提供了爬取网页链接、抓取数据并将其存储到磁盘或云端的工具,同时保持可配置性以满足您项目的需求。

Crawlee作为crawlee NPM包提供。

👉 Crawlee项目网站查看完整文档、指南和示例 👈

Python版Crawlee现已开放早期使用。🐍 👉 查看源代码 👈

安装

我们建议访问Crawlee文档中的介绍教程以获取更多信息。

Crawlee需要Node.js 16或更高版本

使用Crawlee CLI

尝试Crawlee的最快方法是使用Crawlee CLI并选择入门示例。CLI将为您安装所有必要的依赖项并添加样板代码供您使用。

npx crawlee create my-crawler
cd my-crawler npm start

手动安装

如果您更喜欢将Crawlee添加到您自己的项目中,请尝试以下示例。因为它使用了PlaywrightCrawler,我们还需要安装Playwright。为了减小安装包大小,Crawlee并未捆绑Playwright。

npm install crawlee playwright
import { PlaywrightCrawler, Dataset } from 'crawlee'; // PlaywrightCrawler使用Playwright库控制的无头浏览器爬取网页。 const crawler = new PlaywrightCrawler({ // 使用requestHandler处理每个爬取的页面。 async requestHandler({ request, page, enqueueLinks, log }) { const title = await page.title(); log.info(`${request.loadedUrl}的标题是'${title}'`); // 将结果以JSON格式保存到 ./storage/datasets/default await Dataset.pushData({ title, url: request.loadedUrl }); // 从当前页面提取链接 // 并将它们添加到爬取队列中。 await enqueueLinks(); }, // 取消注释此选项以查看浏览器窗口。 // headless: false, }); // 将第一个URL添加到队列并开始爬取。 await crawler.run(['https://crawlee.dev']);

默认情况下,Crawlee将数据存储在当前工作目录的./storage中。您可以通过Crawlee配置覆盖此目录。有关详细信息,请参阅配置指南请求存储结果存储

🛠 功能

  • HTTP和无头浏览器爬取的单一接口
  • 用于爬取URL的持久化队列(广度优先和深度优先)
  • 可插拔的表格数据和文件存储
  • 根据可用系统资源自动扩展
  • 集成的代理轮换和会话管理
  • 可通过钩子自定义的生命周期
  • 用于引导项目的CLI
  • 可配置的路由错误处理重试
  • 可直接部署的Dockerfiles
  • 使用泛型的TypeScript编写

👾 HTTP爬取

  • 零配置HTTP2支持,甚至支持代理
  • 自动生成类浏览器头部
  • 复制浏览器的TLS指纹
  • 集成快速HTML解析器。Cheerio和JSDOM
  • 是的,您也可以抓取JSON API

💻 真实浏览器爬取

  • JavaScript渲染截图
  • 支持无头有头模式
  • 零配置生成类人指纹
  • 自动浏览器管理
  • 使用相同接口的PlaywrightPuppeteer
  • ChromeFirefoxWebkit等多种浏览器

在Apify平台上使用

Crawlee是开源的,可以在任何地方运行,但由于它是由Apify开发的,因此在Apify平台上设置和在云中运行非常容易。访问Apify SDK网站了解更多关于将Crawlee部署到Apify平台的信息。

支持

如果您发现Crawlee的任何错误或问题,请在GitHub上提交问题。如有疑问,您可以在Stack Overflow上提问,在GitHub讨论区提问,或加入我们的Discord服务器

贡献

欢迎您的代码贡献,您将获得永恒的赞誉!如果您有任何改进的想法,可以提交问题或创建拉取请求。有关贡献指南和行为准则,请参阅CONTRIBUTING.md

许可证

本项目根据Apache License 2.0许可 - 详情请参阅LICENSE.md文件。

编辑推荐精选

讯飞星火

讯飞星火

深度推理能力全新升级,全面对标OpenAI o1

科大讯飞的星火大模型,支持语言理解、知识问答和文本创作等多功能,适用于多种文件和业务场景,提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台,涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能,能为不同需求的用户提供便捷高效的帮助,助力用户轻松获取信息、解决问题,满足多样化使用场景。

热门AI开发模型训练AI工具讯飞星火大模型智能问答内容创作多语种支持智慧生活
Spark-TTS

Spark-TTS

一种基于大语言模型的高效单流解耦语音令牌文本到语音合成模型

Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目,由多个知名机构联合参与。该项目提供了高效的 LLM(大语言模型)驱动的语音合成方案,支持语音克隆和语音创建功能,可通过命令行界面(CLI)和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数,生成高质量的语音。该项目适用于多种场景,如有声读物制作、智能语音助手开发等。

Trae

Trae

字节跳动发布的AI编程神器IDE

Trae是一种自适应的集成开发环境(IDE),通过自动化和多元协作改变开发流程。利用Trae,团队能够更快速、精确地编写和部署代码,从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能,是提升开发效率的理想工具。

AI工具TraeAI IDE协作生产力转型热门
咔片PPT

咔片PPT

AI助力,做PPT更简单!

咔片是一款轻量化在线演示设计工具,借助 AI 技术,实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT,提供海量模板、智能美化、素材替换等功能,适用于销售、教师、学生等各类人群,能高效制作出高品质 PPT,满足不同场景演示需求。

讯飞绘文

讯飞绘文

选题、配图、成文,一站式创作,让内容运营更高效

讯飞绘文,一个AI集成平台,支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容,加速品牌传播,提升内容营销效果。

热门AI辅助写作AI工具讯飞绘文内容运营AI创作个性化文章多平台分发AI助手
材料星

材料星

专业的AI公文写作平台,公文写作神器

AI 材料星,专业的 AI 公文写作辅助平台,为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能,支持 30 + 文稿类型生成,助力快速完成领导讲话、工作总结、述职报告等材料,提升办公效率,是体制打工人的得力写作神器。

openai-agents-python

openai-agents-python

OpenAI Agents SDK,助力开发者便捷使用 OpenAI 相关功能。

openai-agents-python 是 OpenAI 推出的一款强大 Python SDK,它为开发者提供了与 OpenAI 模型交互的高效工具,支持工具调用、结果处理、追踪等功能,涵盖多种应用场景,如研究助手、财务研究等,能显著提升开发效率,让开发者更轻松地利用 OpenAI 的技术优势。

Hunyuan3D-2

Hunyuan3D-2

高分辨率纹理 3D 资产生成

Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具,支持从文本描述、单张图片或多视角图片生成 3D 模型,具备快速形状生成能力,可生成带纹理的高质量 3D 模型,适用于多个领域,为 3D 创作提供了高效解决方案。

3FS

3FS

一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。

3FS 是一个功能强大的分布式文件系统项目,涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作,如创建文件和目录、设置布局等,同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景,能够提高系统的性能和可靠性,是分布式存储领域的优质解决方案。

TRELLIS

TRELLIS

用于可扩展和多功能 3D 生成的结构化 3D 潜在表示

TRELLIS 是一个专注于 3D 生成的项目,它利用结构化 3D 潜在表示技术,实现了可扩展且多功能的 3D 生成。项目提供了多种 3D 生成的方法和工具,包括文本到 3D、图像到 3D 等,并且支持多种输出格式,如 3D 高斯、辐射场和网格等。通过 TRELLIS,用户可以根据文本描述或图像输入快速生成高质量的 3D 资产,适用于游戏开发、动画制作、虚拟现实等多个领域。

下拉加载更多