IntelliScraper 更新 --可自定义最大输出和相似度 支持Html的内容相似度匹配

场景

之前我们在使用IntelliScraper 初代版本的时候，不少人和我反馈一个问题，那就是最大输出结果只有50个，而且还带有html内容，不支持自动化，我声明一下，自动化目前不会支持，以后也不会支持，因为法律的问题，所以数据的前置和后置处理是需要自行处理，如有特殊需求，可联系我。

更新内容

最大关键字和相似度

此次更新，则是更新了最大关键字和相似度可以自己设置，你可以自己随意设置这些，直到拿到你想要的，原先的写法可能是

wanted_list = ['北堂飘霜']
scraper = WebScraper(wanted_list, url='https://blog.csdn.net/weixin_45487988?spm=1010.2135.3001.5343')
results = scraper.build()
for result in results:
    print(result)

1
2
3
4
5
6

结果和相似度都是内置的，你无法决定，结果最多50个，相似度0.7，更新之后，现在你的写法可能是：

wanted_list = ['北堂飘霜']
scraper = WebScraper(wanted_list, url='https://blog.csdn.net/weixin_45487988?spm=1010.2135.3001.5343',max_reasult=100,similarity=0.6)
results = scraper.build()
for result in results:
    print(result)
1
2
3
4
5

你自己可以随意设置，并且对结果进行清洗。代码已经上传至github。
IntelliScraper

更新内容暂时没有发镜像，是因为要经过充分测试和考虑，后面如果更新镜像，令行通知！

支持Html的内容相似度匹配

如果说有些网页可能设置了延时加载机制，或者说在你请求的时候，没有完全加载元素，不用担心，我们现在提供了html的内容相似度匹配策略，该策略可以直接拿出两段html进行相似度匹配，代码可能是：

file_path = '/h10.html'  # 替换为HTML文件的路径
with open(file_path, 'r', encoding='utf-8') as file:
    html_content = file.read()


file_path = '/h11.html'  # 替换为HTML文件的路径
with open(file_path, 'r', encoding='utf-8') as file:
    target_html = file.read()

# 使用函数寻找相似元素
similar_elements = find_similar_elements(html_content, target_html, 0.4)
print(len(similar_elements))
# 打印结果
all_link = []
for el in similar_elements:
    # print("------")
    print(el.text)
    # print(el.__str__())
    # print("------")
    # 提取链接
    unique_links = extract_unique_links(el.__str__())
    # 将链接写入文件
    all_link.append(unique_links)
    # print(unique_links)
write_links_to_file(all_link, '/unique_links.txt')
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

这段代码很好的演示了如何在h10中找到h11的相似元素，在这里我做了后续数据清洗的工作，它能够很好的达到我的预期，同样的，并没有发镜像，待其彻底稳定后，会更新镜像。

结束

IntelliScraper 更新 --可自定义最大输出和相似度 支持Html的内容相似度匹配，你学废了吗？赶紧用起来，觉得好用，不要忘记点个star支持一下呦！！！