当 AI 遇上爬虫：让数据提取变得前所未有地简单！_如何使用ai实现爬取数据

你是否曾想过，如果有一个工具，能够理解你的意图并自动执行复杂的网络数据抓取任务，那会怎样？ScrapeGraphAI[1] 就是这样一个工具，它利用最新的人工智能技术，让数据提取变得前所未有地简单。

ScrapeGraphAI 是一个用于网络抓取 Python 库，它使用大语言模型（LLM）和直接图为网站、文档和 XML 文件创建抓取管道。只需说出您想要提取哪些信息，它就会为您完成！

工具特点

• 简单易用：只需输入 API 密钥，您就可以在几秒钟内抓取数千个网页！

• 开发便捷：你只需要实现几行代码，工作就完成了。

• 专注业务：有了这个库，您可以节省数小时的时间，因为您只需要设置项目，人工智能就会为您完成一切。

快速开始

在线示例

1.官方 Streamlit

https://scrapegraph-ai-demo.streamlit.app/

2.Google Colab

https://colab.research.google.com/drive/1sEZBonBMGP44CtO6GQTwAlL0BGJXjtfd

本地安装

使用 pip 安装 scrapegraphai：

pip install scrapegraphai   
1

此外，您还需要安装 Playwright[2] 抓取客户端渲染（由 JavaScript 动态渲染）的网页：

playwright install   
1

Playwright 是一个强大的 Python 库，仅用一个 API 即可自动执行 Chromium、Firefox、WebKit 等主流浏览器自动化操作。

使用示例

ScrapeGraphAI 支持通过 API 使用不同的 LLM，例如 OpenAI、Groq、Azure 和 Gemini，或使用 Ollama 的本地模型。

ScrapeGraphAI 内置了 3 种网页爬取流程：

• SmartScraperGraph：仅需要用户提示词和输入源的单页抓取工具；

• SearchGraph：多页抓取工具，从搜索引擎的前 n 个搜索结果中提取信息；

• SpeechGraph：单页抓取工具，从网站提取信息并生成音频文件。

示例一：使用 Ollama API 提取信息

from scrapegraphai.graphs import SmartScraperGraph      graph_config = {       "llm": {           "model": "ollama/mistral",           "temperature": 0,           "format": "json",  # Ollama needs the format to be specified explicitly           "base_url": "http://localhost:11434",  # set Ollama URL       },       "embeddings": {           "model": "ollama/nomic-embed-text",           "base_url": "http://localhost:11434",  # set Ollama URL       }   }      smart_scraper_graph = SmartScraperGraph(       prompt="List me all the articles",       # also accepts a string with the already downloaded HTML code       source="https://perinim.github.io/projects",       config=graph_config   )      result = smart_scraper_graph.run()   print(result)   
1

示例二：使用 ChatGPT API 提取信息

from scrapegraphai.graphs import SmartScraperGraph   OPENAI_API_KEY = "YOUR_API_KEY"      graph_config = {       "llm": {           "api_key": OPENAI_API_KEY,           "model": "gpt-3.5-turbo",       },   }      smart_scraper_graph = SmartScraperGraph(       prompt="List me all the articles",       # also accepts a string with the already downloaded HTML code       source="https://perinim.github.io/projects",       config=graph_config   )      result = smart_scraper_graph.run()   print(result)   
1

示例三：使用 Groq API 提取信息

from scrapegraphai.graphs import SmartScraperGraph   from scrapegraphai.utils import prettify_exec_info      groq_key = os.getenv("GROQ_APIKEY")      graph_config = {       "llm": {           "model": "groq/gemma-7b-it",           "api_key": groq_key,           "temperature": 0       },       "embeddings": {           "model": "ollama/nomic-embed-text",           "temperature": 0,           "base_url": "http://localhost:11434",        },       "headless": False   }      smart_scraper_graph = SmartScraperGraph(       prompt="List me all the projects with their description and the author.",       source="https://perinim.github.io/projects",       config=graph_config   )      result = smart_scraper_graph.run()   print(result)   
1

示例四：使用 Gemini API 提取信息

from scrapegraphai.graphs import SmartScraperGraph   GOOGLE_APIKEY = "YOUR_API_KEY"      # Define the configuration for the graph   graph_config = {       "llm": {           "api_key": GOOGLE_APIKEY,           "model": "gemini-pro",       },   }      # Create the SmartScraperGraph instance   smart_scraper_graph = SmartScraperGraph(       prompt="List me all the articles",       source="https://perinim.github.io/projects",       config=graph_config   )      result = smart_scraper_graph.run()   print(result)   
1

示例五、使用 Docker 提取信息

注意：使用本地模型之前记得创建 docker 容器！

docker-compose up -d   docker exec -it ollama ollama pull stablelm-zephyr   
1

您可以使用 Ollama 上可用的模型或您自己的模型来代替 stablelm-zephyr

from scrapegraphai.graphs import SmartScraperGraph。      graph_config = {       "llm": {           "model": "ollama/mistral",           "temperature": 0,           "format": "json",  # Ollama needs the format to be specified explicitly           # "model_tokens": 2000, # set context length arbitrarily       },   }      smart_scraper_graph = SmartScraperGraph(       prompt="List me all the articles",       # also accepts a string with the already downloaded HTML code       source="https://perinim.github.io/projects",         config=graph_config   )      result = smart_scraper_graph.run()   print(result)   
1

随着 AI 技术的不断发展，将会为传统工具带来很大的机遇和挑战，后续会不断涌现出更多智能化的工具。

如何学习大模型 AI ？

由于新岗位的生产效率，要优于被取代岗位的生产效率，所以实际上整个社会的生产效率是提升的。

但是具体到个人，只能说是：

“最先掌握AI的人，将会比较晚掌握AI的人有竞争优势”。

这句话，放在计算机、互联网、移动互联网的开局时期，都是一样的道理。

我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。

我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

第一阶段（10天）：初阶应用

该阶段让大家对大模型 AI有一个最前沿的认识，对大模型 AI 的理解超过 95% 的人，可以在相关讨论时发表高级、不跟风、又接地气的见解，别人只会和 AI 聊天，而你能调教 AI，并能用代码将大模型和业务衔接。

• 大模型 AI 能干什么？
• 大模型是怎样获得「智能」的？
• 用好 AI 的核心心法
• 大模型应用业务架构
• 大模型应用技术架构
• 代码示例：向 GPT-3.5 灌入新知识
• 提示工程的意义和核心思想
• Prompt 典型构成
• 指令调优方法论
• 思维链和思维树
• Prompt 攻击和防范
• …

第二阶段（30天）：高阶应用

该阶段我们正式进入大模型 AI 进阶实战学习，学会构造私有知识库，扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架，抓住最新的技术进展，适合 Python 和 JavaScript 程序员。

• 为什么要做 RAG
• 搭建一个简单的 ChatPDF
• 检索的基础概念
• 什么是向量表示（Embeddings）
• 向量数据库与向量检索
• 基于向量检索的 RAG
• 搭建 RAG 系统的扩展知识
• 混合检索与 RAG-Fusion 简介
• 向量模型本地部署
• …

第三阶段（30天）：模型训练

恭喜你，如果学到这里，你基本可以找到一份大模型 AI相关的工作，自己也能训练 GPT 了！通过微调，训练自己的垂直大模型，能独立训练开源多模态大模型，掌握更多技术方案。

到此为止，大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗？

• 为什么要做 RAG
• 什么是模型
• 什么是模型训练
• 求解器 & 损失函数简介
• 小实验2：手写一个简单的神经网络并训练它
• 什么是训练/预训练/微调/轻量化微调
• Transformer结构简介
• 轻量化微调
• 实验数据集的构建
• …

第四阶段（20天）：商业闭环

对全球大模型从性能、吞吐量、成本等方面有一定的认知，可以在云端和本地等多种环境下部署大模型，找到适合自己的项目/创业方向，做一名被 AI 武装的产品经理。

• 硬件选型
• 带你了解全球大模型
• 使用国产大模型服务
• 搭建 OpenAI 代理
• 热身：基于阿里云 PAI 部署 Stable Diffusion
• 在本地计算机运行大模型
• 大模型的私有化部署
• 基于 vLLM 部署大模型
• 案例：如何优雅地在阿里云私有部署开源大模型
• 部署一套开源 LLM 项目
• 内容安全
• 互联网信息服务算法备案
• …

学习是一个过程，只要学习就会有挑战。天道酬勤，你越努力，就会成为越优秀的自己。

如果你能在15天内完成所有的任务，那你堪称天才。然而，如果你能完成 60-70% 的内容，你就已经开始具备成为一名大模型 AI 的正确特征了。

这份完整版的大模型 AI 学习资料已经上传CSDN，朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】