Crawlee涵盖了您的爬虫和抓取的全过程,并且帮助您快速构建可靠的爬虫。
🚀 Python版Crawlee现已开放给早期采用者!
即使使用默认配置,您的爬虫也会表现得几乎像人类一样,轻松躲过现代的机器人保护。Crawlee为您提供了爬取网页链接、抓取数据并以机器可读格式持久存储的工具,无需担心技术细节。如果默认设置不能满足您的需求,丰富的配置选项可以让您调整Crawlee的几乎任何方面,以适应您项目的需求。
👉 在Crawlee项目网站查看完整文档、指南和示例 👈
我们还有一个TypeScript版的Crawlee实现,您可以探索并用于您的项目。访问我们的GitHub仓库以获取更多信息GitHub上的JS/TS版Crawlee。
我们建议访问Crawlee文档中的入门教程以获取更多信息。
Crawlee作为crawlee
PyPI包提供。核心功能包含在基础包中,额外功能作为可选扩展提供,以最小化包大小和依赖。要安装包含所有功能的Crawlee,请运行以下命令:
pip install 'crawlee[all]'
然后,安装Playwright依赖:
playwright install
验证Crawlee是否成功安装:
python -c 'import crawlee; print(crawlee.__version__)'
有关详细的安装说明,请参阅设置文档页面。
使用Crawlee的最快方法是使用Crawlee CLI并选择一个预先准备好的模板。首先,确保您已安装Pipx:
pipx --help
然后,运行CLI并从可用模板中选择:
pipx run crawlee create my-crawler
如果您已经安装了crawlee
,可以通过运行以下命令启动它:
crawlee create my-crawler
以下是一些实际示例,帮助您开始使用Crawlee中的不同类型的爬虫。每个示例演示了如何为特定用例设置和运行爬虫,无论您是需要处理简单的HTML页面还是与JavaScript密集型网站交互。爬虫运行将在您的当前工作目录中创建一个storage/
目录。
BeautifulSoupCrawler
使用HTTP库下载网页,并向用户提供已解析的HTML内容。它使用HTTPX进行HTTP通信,使用BeautifulSoup解析HTML。它非常适合需要从HTML内容中高效提取数据的项目。由于不使用浏览器,这种爬虫的性能非常好。但是,如果您需要执行客户端JavaScript来获取内容,这种方法就不够用了,您需要使用PlaywrightCrawler。此外,如果您想使用这个爬虫,请确保安装crawlee
时包含了beautifulsoup
扩展。
import asyncio from crawlee.beautifulsoup_crawler import BeautifulSoupCrawler, BeautifulSoupCrawlingContext async def main() -> None: crawler = BeautifulSoupCrawler( # 限制每次爬取的最大请求数。移除或增加此限制以爬取所有链接。 max_requests_per_crawl=10, ) # 定义默认请求处理程序,该程序将处理每个请求。 @crawler.router.default_handler async def request_handler(context: BeautifulSoupCrawlingContext) -> None: context.log.info(f'正在处理 {context.request.url} ...') # 从页面提取数据。 data = { 'url': context.request.url, 'title': context.soup.title.string if context.soup.title else None, } # 将提取的数据推送到默认数据集。 await context.push_data(data) # 将页面上找到的所有链接加入队列。 await context.enqueue_links() # 使用初始URL列表运行爬虫。 await crawler.run(['https://crawlee.dev']) if __name__ == '__main__': asyncio.run(main()) ### PlaywrightCrawler PlaywrightCrawler 使用无头浏览器下载网页并提供数据提取的API。它基于 Playwright 构建,Playwright 是一个专为管理无头浏览器设计的自动化库。它擅长获取依赖客户端 JavaScript 生成内容的网页,或需要与 JavaScript 驱动的内容交互的任务。对于不需要执行 JavaScript 或需要更高性能的场景,可以考虑使用 BeautifulSoupCrawler。另外,如果你想使用这个爬虫,请确保安装带有 playwright 额外依赖的 crawlee。 ```python import asyncio from crawlee.playwright_crawler import PlaywrightCrawler, PlaywrightCrawlingContext async def main() -> None: crawler = PlaywrightCrawler( # 限制每次爬取的最大请求数。移除或增加此限制以爬取所有链接。 max_requests_per_crawl=10, ) # 定义默认请求处理程序,该程序将处理每个请求。 @crawler.router.default_handler async def request_handler(context: PlaywrightCrawlingContext) -> None: context.log.info(f'正在处理 {context.request.url} ...') # 从页面提取数据。 data = { 'url': context.request.url, 'title': await context.page.title(), } # 将提取的数据推送到默认数据集。 await context.push_data(data) # 将页面上找到的所有链接加入队列。 await context.enqueue_links() # 使用初始请求列表运行爬虫。 await crawler.run(['https://crawlee.dev']) if __name__ == '__main__': asyncio.run(main())
请访问 Crawlee 文档中的 示例 页面,了解更多用例和演示。
为什么 Crawlee 是网络爬虫和爬取的首选?
Crawlee 是开源的,可以在任何地方运行,但由于它是由 Apify 开发的,因此很容易在 Apify 平台上设置并在云端运行。访问 Apify SDK 网站 了解更多关于将 Crawlee 部署到 Apify 平台的信息。
如果你发现 Crawlee 有任何 bug 或问题,请在 GitHub 上提交 issue。如有疑问,你可以在 Stack Overflow 上提问,在 GitHub Discussions 中讨论,或加入我们的 Discord 服务器。
欢迎你的代码贡献,你将永远受到赞美!如果你有任何改进的想法,可以提交 issue 或创建 pull request。有关贡献指南和行为准则,请参阅 CONTRIBUTING.md。
本项目采用 Apache License 2.0 许可 - 详情请参阅 LICENSE 文件。
AI数字人视频创作平台
Keevx 一款开箱即用的AI数字人视频创作平台,广泛适用于电商广告、企业培训与社媒宣传,让全球企业与个人创作者无需拍摄剪辑,就能快速生成多语言、高质量的专业视频。
一站式AI创作平台
提供 AI 驱动的图片、视频生成及数字人等功能,助力创意创作
AI办公助手,复杂任务高效处理
AI办公助手,复杂任务高效处理。办公效率低?扣子空间AI助手支持播客生成、PPT制作、网页开发及报告写作,覆盖科研、商业、舆情等领域的专家Agent 7x24小时响应,生活工作无缝切换,提升50%效率!
AI辅助编程,代码自动修复
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小说写作助手,一站式润色、改写、扩写
蛙蛙写作—国内先进的AI写作平台,涵盖小说、学术、社交媒体等多场景。提供续写、改写、润色等功能,助力创作者高效优化写作流程。界面简洁,功能全面,适合各类写作者提升内容品质和工作效率。
全能AI智能助手,随时解答生活与工作的多样问题
问小白,由元石科技研发的AI智能助手,快速准确地解答各种生活和工作问题,包括但不限于搜索、规划和社交互动,帮助用户在日常生活中提高效率,轻松管理个人事务。
实时语音翻译/同声传译工具
Transly是一个多场景的AI大语言模型驱动的同声传译、专业翻译助手,它拥有超精准的音频识别翻译能力,几乎零延迟的使用体验和支持多国语言可以让你带它走遍全球,无论你是留学生、商务人士、韩剧美剧爱好者,还是出国游玩、多国会议、跨国追星等等,都可以满足你所有需要同传的场景需求,线上线下通用,扫除语言障碍,让全世界的语言交流不再有国界。
一键生成PPT和Word,让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目,能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定,还是学生群体的职业生涯规划、实习避坑指南,亦或是活动策划、旅游攻略等内容,它都能提供支持,帮助用户精准表达,轻松呈现各种信息。
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。