大语言模型

AI时代新爬虫：网站自动转LLM数据，firecrawl深度玩法解读

2024 年 6 月 15 日

firecrawl 是什么

FireCrawl是一款创新的爬虫工具，它能够无需站点地图，抓取任何网站的所有可访问子页面。与传统爬虫工具相比，FireCrawl特别擅长处理使用JavaScript动态生成内容的网站，并且可以转换为LLM-ready的数据。

此外，它还提供了一个易于使用的API，让开发者能够轻松实现内容的爬取和转换。

可以先通过FireCrawl 提供的playground来快速体验下。

最简单的情况下，只需要填一个URL就可以，firecrawl会抓取到相关的内容，还可以通过LLM来提取信息。使用firecrawl的在线服务是需要付费的，免费的只有500credit，所以接下来我们看下如何自己本地运行。

本地运行

项目的介绍中说了，目前还在早期阶段，不建议自己部署，如果想要跑可以源码启动。首先需要准备本地的环境：

nodejspnpmRedis

然后在 /apps/api/ 下建一个 .env文件，可以从.env.example拷贝一个，.env.example中包括了项目可以使用的各种配置，内容很多。如果只是本地最简单运行的话，内容参考如下：

# ===== Required ENVS ======NUM_WORKERS_PER_QUEUE=8PORT=3002HOST=0.0.0.0REDIS_URL=redis://localhost:6379
## To turn on DB authentication, you need to set up supabase.USE_DB_AUTHENTICATION=false

之后就是安装依赖。

pnpm install

接下来启动项目，这里启动需要涉及3个部分的内容。

启动Redis，在项目目录下打开一个终端，之后启动Redis即可

redis-server

启动worker，worker是具体执行爬虫任务的，在项目的 /apps/api/ 路径下，执行命令：

pnpm run workers

启动主服务，还是在项目的 /apps/api/ 路径下，执行命令

pnpm run start

到这里我们就在本地运行了firecrawl，可以向3002端口发个请求来确认服务已经运行

curl -X GET <http://localhost:3002/test>

也可以访问 http://0.0.0.0:3002/admin//queues ，查看firecrawl的管理后台。

使用 firecrawl

部署好了之后，我们就来详细看下如何使用吧。

scrape

首先我们可以通过REST API的方式向firecrawl发送指令，我们首先可以使用 /scrape 这个API来抓取一下他们自己公司的网站，使用如以下curl命令：

curl -X POST <https://api.firecrawl.dev/v0/scrape> \\-H 'Content-Type: application/json' \\-d '{"url": "<https://mendable.ai>"}'

当然也可以通过各种API工具来发送，使用体验会更好一些。

crawl

除了单个网页的抓取，firecrawl还可以抓取多个页面，使用/crawl API ，您给出要抓取的基本 URL，所有可访问的子页面都将被抓取。

curl -X POST <https://api.firecrawl.dev/v0/crawl> \\-H 'Content-Type: application/json' \\-d '{"url": "<https://mendable.ai>","pageOptions": {"onlyMainContent": true,"includeHtml": true,"screenshot": true,"waitFor": 5000},"crawlerOptions": {"includes": ["/blog/*", "/products/*"],"maxDepth": 3,"mode": "fast",}}'

在此示例中，爬虫将完成以下功能：

仅抓取与模式/blog/*，/products/*和匹配的 URL。
跳过与模式/admin/* ，/login/*和匹配的 URL。
返回每页的完整文档数据。
爬行至最大深度 3。
使用快速抓取模式。
最多抓取 1000 个页面。

/crawl 不会直接返回结果，发送命令后会返回对应任务的JobID，之后的任务是会在后台执行，可以在前面展示过的管理后台里查看任务的运行情况。

关于API的所有参数选项，可以到文档中查看。

结合大模型

首先 firecrawl 支持对抓取的内容进行大模型提取，利用大模型的能力，直接将抓取结果按预期进行格式化处理。如果想使用这个能力，首先要在.env里配置对应的API KEY。

我们在抓取的命令里，加入extractorOptions，参考如下：

"extractorOptions": {"mode": "llm-extraction","extractionPrompt": "Based on the information on the page, extract the information from the schema. ","extractionSchema": {"type": "object","properties": {"company_mission": {"type": "string"},"supports_sso": {"type": "boolean"},"is_open_source": {"type": "boolean"},"is_in_yc": {"type": "boolean"}},"required": ["company_mission","supports_sso","is_open_source","is_in_yc"]}}

这样再次执行后，可以看到结果的最后就会有提取的内容。

通过代码使用

除了这种方式以外，还可以通过代码的方式来使用firecrawl，目前支持

Python SDK
Node SDK
Langchain Integration ??
Llama Index Integration ?
Langchain JS Integration ??

使用代码的方式会有更多的灵活性，可以更加方便的和自己的程序集成起来。下面是一个简单的例子，我用node sdk为例，先要安装：

npm install @mendable/firecrawl-js

然后就可以在代码中使用了

const crawlUrl = '<https://example.com>';const params = {crawlerOptions: {excludes: ['blog/'],includes: [], // leave empty for all pageslimit: 1000,},pageOptions: {onlyMainContent: true}};const waitUntilDone = true;const timeout = 5;const crawlResult = await app.crawlUrl(crawlUrl,params,waitUntilDone,timeout);

这里需要说的，默认情况下，官方的SDK中使用的是https://api.firecrawl.dev/ 的在线服务，如果你觉得没问题，那需要去网站上申请API key。

如果你想要使用自己本地启动的服务，那需要自己去修改一下SDK的实现，相关的代码在项目中都开了，大概在这里。

自己把相关内容修改一下，然后自己使用就可以了。

举个栗子

另外还有一些比较不错的玩法，比如使用 firecrawl 的 /search API来信息收集，之后快速转换成LLM-ready的数据。

首先 search的内容大概是这样的。

import FirecrawlApp from '@mendable/firecrawl-js';
//这里的API key根据自己需要了const app = new FirecrawlApp({ apiKey: 'YOUR_API_KEY' });const params = {searchOptions: {limit: 5,},pageOptions: {fetchPageContent: false}};
// Perform a searchconst result = await app.search('What is firecrawl?');

会拿到类似这样一个结果。