flyscrape

flyscrape

高效精准的开源网页数据采集工具

flyscrape是一款开源的命令行网页数据采集工具,专为非专业程序员设计。它提供jQuery风格的数据提取、JavaScript脚本支持、系统cookie访问和浏览器模式渲染等功能。作为单一可执行文件,flyscrape配置简便,可精准提取网站数据。此外,它还支持多URL采集、分页跟踪和代理设置等高级特性,是一款兼具简易性和功能性的网页数据采集解决方案。

网页抓取命令行工具JavaScript数据提取flyscrapeGithub开源项目
<br /> <p align="center"> <picture> <source media="(prefers-color-scheme: dark)" srcset=".github/assets/logo-alt.png"> <source media="(prefers-color-scheme: light)" srcset=".github/assets/logo.png"> <img width="200" src="https://yellow-cdn.veclightyear.com/2b54e442/2a9e1264-3c4b-43aa-8387-32f3f85c15bd.png"> </picture> </p> <br /> <p align="center"> Flyscrape 是一款为不具备高级编程技能的用户设计的命令行网页抓取工具,<br />可以精确提取网站数据。 </p> <br /> <p align="center"> <a href="#安装">安装</a> · <a href="https://flyscrape.com/docs/getting-started">文档</a> · <a href="https://github.com/philippta/flyscrape/releases">发布版本</a> </p>

演示

<a href="https://www.youtube.com/watch?v=eGk8qFZ9oM4"> <img src="https://yellow-cdn.veclightyear.com/2b54e442/4ce8f324-3d07-4abd-bb3a-1fadede3161e.jpg" style="border-radius: 6px"> </a>

特性

  • 独立运行: Flyscrape 以单个可执行二进制文件的形式提供。
  • 类似 jQuery: 使用熟悉的 API 从 HTML 页面提取数据。
  • 可脚本化: 使用 JavaScript 编写数据提取逻辑。
  • 系统 Cookie: 允许 Flyscrape 访问您的浏览器 cookie 存储。
  • 浏览器模式: 使用无头浏览器渲染 JavaScript 密集型页面。

概览

示例

这个示例抓取 Hacker News 的前几页,特别是 New、Show 和 Ask 部分。

export const config = { urls: [ "https://news.ycombinator.com/new", "https://news.ycombinator.com/show", "https://news.ycombinator.com/ask", ], // 缓存请求以供后续使用。 cache: "file", // 启用 JavaScript 渲染。 browser: true, headless: false, // 跟随分页链接 5 次。 depth: 5, follow: ["a.morelink[href]"], } export default function ({ doc, absoluteURL }) { const title = doc.find("title"); const posts = doc.find(".athing"); return { title: title.text(), posts: posts.map((post) => { const link = post.find(".titleline > a"); return { title: link.text(), url: link.attr("href"), }; }), } }
$ flyscrape run hackernews.js [ { "url": "https://news.ycombinator.com/new", "data": { "title": "New Links | Hacker News", "posts": [ { "title": "Show HN: flyscrape - An standalone and scriptable web scraper", "url": "https://flyscrape.com/" }, ... ] } } ]

查看 examples 文件夹 获取更详细的示例。

安装

推荐方式

安装 flyscrape 最简单的方法是通过其安装脚本。

curl -fsSL https://flyscrape.com/install | bash

Homebrew

对于 macOS 用户,flyscrape 也可以通过 homebrew 安装:

brew install flyscrape

预编译二进制文件

flyscrape 为 MacOS、Linux 和 Windows 提供可下载的二进制文件,可从发布页面获取。

从源代码编译

要从源代码编译 flyscrape,请按以下步骤操作:

  1. 安装 Go:确保您的系统已安装 Go。如果没有,可以从 https://go.dev/ 下载。

  2. 安装 flyscrape:打开终端并运行以下命令:

    go install github.com/philippta/flyscrape/cmd/flyscrape@latest

使用方法

用法:

    flyscrape run 脚本 [配置标志]

示例:

    # 运行脚本。
    $ flyscrape run example.js

    # 将 URL 作为参数设置。
    $ flyscrape run example.js --url "http://other.com"

    # 启用代理支持。
    $ flyscrape run example.js --proxies "http://someproxy:8043"

    # 跟随分页链接。
    $ flyscrape run example.js --depth 5 --follow ".next-button > a"

    # 将输出格式设置为 ndjson。
    $ flyscrape run example.js --output.format ndjson

    # 将输出写入文件。
    $ flyscrape run example.js --output.file results.json

配置

以下是一个展示 flyscrape 功能的抓取脚本示例。有关所有配置选项的完整文档,请访问文档页面

export const config = { // 指定开始抓取的 URL。 url: "https://example.com/", // 指定多个开始抓取的 URL。 (默认 = []) urls: [ "https://anothersite.com/", "https://yetanother.com/", ], // 启用无头浏览器渲染。 (默认 = false) browser: true, // 指定浏览器是否应该是无头模式。 (默认 = true) headless: false, // 指定应该跟随链接的深度。 (默认 = 0,不跟随) depth: 5, // 指定要跟随的 CSS 选择器。 (默认 = ["a[href]"]) follow: [".next > a", ".related a"], // 指定允许的域名。['*'] 表示所有。 (默认 = url 中的域名) allowedDomains: ["example.com", "anothersite.com"], // 指定阻止的域名。 (默认 = 无) blockedDomains: ["somesite.com"], // 指定允许的 URL 正则表达式。 (默认 = 全部允许) allowedURLs: ["/posts", "/articles/\d+"], // 指定阻止的 URL 正则表达式。 (默认 = 无) blockedURLs: ["/admin"], // 指定每分钟请求的速率。 (默认 = 无速率限制) rate: 60, // 指定并发请求数。 (默认 = 无限制) concurrency: 1, // 指定单个 HTTP(S) 代理 URL。 (默认 = 无代理) // 注意:与浏览器模式不兼容。 proxy: "http://someproxy.com:8043", // 指定多个 HTTP(S) 代理 URL。 (默认 = 无代理) // 注意:与浏览器模式不兼容。 proxies: [ "http://someproxy.com:8043", "http://someotherproxy.com:8043", ], // 启用基于文件的请求缓存。 (默认 = 无缓存) cache: "file", // 指定 HTTP 请求头。 (默认 = 无) headers: { "Authorization": "Bearer ...", "User-Agent": "Mozilla ...", }, // 使用本地浏览器的 cookie 存储。 (默认 = 关闭) // 选项:"chrome" | "edge" | "firefox" cookies: "chrome", // 指定输出选项。 output: { // 指定输出文件。 (默认 = stdout) file: "results.json", // 指定输出格式。 (默认 = json) // 选项:"json" | "ndjson" format: "json", }, }; export default function ({ doc, url, absoluteURL }) { // doc - 包含解析后的 HTML 文档 // url - 包含抓取的 URL // absoluteURL(...) - 将相对 URL 转换为绝对 URL }

查询 API

// <div class="element" foo="bar">Hey</div> const el = doc.find(".element") el.text() // "Hey" el.html() // `<div class="element">Hey</div>` el.attr("foo") // "bar" el.hasAttr("foo") // true el.hasClass("element") // true // <ul> // <li class="a">Item 1</li> // <li>Item 2</li> // <li>Item 3</li> // </ul> const list = doc.find("ul") list.children() // [<li class="a">Item 1</li>, <li>Item 2</li>, <li>Item 3</li>] const items = list.find("li") items.length() // 3 items.first() // <li>Item 1</li> items.last() // <li>Item 3</li> items.get(1) // <li>Item 2</li> items.get(1).prev() // <li>Item 1</li> items.get(1).next() // <li>Item 3</li> items.get(1).parent() // <ul>...</ul> items.get(1).siblings() // [<li class="a">Item 1</li>, <li>Item 2</li>, <li>Item 3</li>] items.map(item => item.text()) // ["Item 1", "Item 2", "Item 3"] items.filter(item => item.hasClass("a")) // [<li class="a">Item 1</li>]

Flyscrape API

文档解析

import { parse } from "flyscrape"; const doc = parse(`<div class="foo">bar</div>`); const text = doc.find(".foo").text();

文件下载

import { download } from "flyscrape/http"; download("http://example.com/image.jpg") // 下载为 "image.jpg" download("http://example.com/image.jpg", "other.jpg") // 下载为 "other.jpg" download("http://example.com/image.jpg", "dir/") // 下载为 "dir/image.jpg" // 如果服务器通过 Content-Disposition 头提供文件名,且未提供目标文件名, // Flyscrape 将遵循建议的文件名。 // 例如 `Content-Disposition: attachment; filename="archive.zip"` download("http://example.com/generate_archive.php", "dir/") // 下载为 "dir/archive.zip"

问题和建议

如果您遇到任何问题或有改进建议,请提交问题

编辑推荐精选

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。

热门AI工具生产力协作转型TraeAI IDE
问小白

问小白

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。

聊天机器人AI助手热门AI工具AI对话
Transly

Transly

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。

讯飞智文

讯飞智文

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。

热门AI工具AI办公办公工具讯飞智文AI在线生成PPTAI撰写助手多语种文档生成AI自动配图
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。

模型训练热门AI工具内容创作智能问答AI开发讯飞星火大模型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。

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。

AI助手热门AI工具AI创作AI辅助写作讯飞绘文内容运营个性化文章多平台分发
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。

下拉加载更多