目前为止，我们已经写了几个爬虫程序，能将网页中的内容提取出来，或者保存成PDF。本文来总结一下这些方法，循序渐进地带大家看下爬虫的实现方法：从单个网页爬虫，到利用大模型提取指定信息，到利用AI Agent实现自动编写爬虫代码实现通用爬虫。
0. 单网页的专用爬虫实现方法说明：本人爬虫小白，所以 这篇文章总结的是简单的爬虫程序，可以直接使用的程序 。没有复杂的操作，也没有深入的理解。适合爬虫小白或只是将爬虫作为一个数据来源的非专业人员。想要深入理解爬虫原理的同学，可以退出了。
这种爬虫是针对特定网页的数据爬取，可以是一个网页，或者是一系列结构相似的网页。
这种爬虫的实现方法，最主要的是，需要打开网页，F12调试，然后找自己需要的文本内容在HTML中的Tag或Class。
0.1 基本的爬虫程序实现方法
如果你会一点爬虫基础，那看到网页结构，应该就知道怎么利用 BeautifulSoup 写一个简单的爬虫程序了。但是如果你一点爬虫基础也没有，不知该如何下手呢？可以利用ChatGPT、文心一言、智谱清言等工具帮你。保姆级操作教程可看下面的文章：
文章中包含了如何找到你需要的文本内容在HTML结构中的Tag、class，如何给大模型Prompt和交互等：
【AI大模型应用开发】【LangChain系列】实战案例2：通过URL加载网页内容 - LangChain对爬虫功能的封装
前面的文章，我们利用LangChain实现了URL网页数据的提取。但是今天想用它抓取微信公众号文章的数据时，失败了。
之前利用 LangChain 实现URL网页数据提取的文章可见：
0.2 利用 selenium 实现爬虫
我们在 【Python实用技能】建议收藏：自动化实现网页内容转PDF并保存的方法探索（含代码，亲测可用） 这篇文章中通过 selenium 实现了自动将网页保存为PDF的功能。其实利用 selenium 也可以直接从网页中提取想要的内容。
下面的示例代码中，通过selenium模拟打开网页，通过 xpath 爬取指定元素。
import os,json,time
from selenium import webdriver
def crawel_url(url):
# 创建Chrome WebDriver对象
driver = webdriver.Chrome()
print('-'*100)
print(f'now: url: {url}')
driver.get(url)
# 添加适当的等待时间或条件，确保页面已完全加载
from selenium.webdriver.support.ui import WebDriverWait
from selenium.webdriver.support import expected_conditions as EC
# 等待10秒钟，直到某个元素可见
wait = WebDriverWait(driver, 10)
element = driver.find_element("xpath", "/html/body/div[1]/div[2]/div[1]/div/div[1]/div[2]")
content = element.text
print(content)
driver.close()
url_list =[
'https://mp.weixin.qq.com/s/2m8MrsCxf5boiH4Dzpphrg',
]
for url in url_list:
crawel_url(url)
time.sleep(5)xpath的获取方法如下：
找到你想提取的此网页的数据，在F12调试面板中，在该元素位置鼠标右键 ---> 复制 ---> 复制完整 XPath，替换掉上面程序中的xpath。
运行结果（看起来效果还不错）：
0.3 利用 LangChain 爬取网页内容
目前为止，我们接触了两种利用 LangChain 来获取网页内容的方法。
0.3.1 Loading + Transforming
第一种方法是使用 LangChain 的 Loading 模块加载HTML网页，利用 Transforming 模块将HTML结构转换为文本。
其 Loading 模块可以使用 AsyncHtmlLoader 或 AsyncChromiumLoader，Transforming模块可以使用 HTML2Text 或 BeautifulSoup。
具体使用方法可看这篇文章的前半部分：
0.3.2 WebBaseLoader
另一种使用 LangChain 获取网页内容的方法是使用其中的 WebBaseLoader 类。我们在 【AI大模型应用开发】【LangChain系列】实战案例4：再战RAG问答，提取在线网页数据，并返回生成答案的来源 使用过：
loader = WebBaseLoader(
web_paths=("https://lilianweng.github.io/posts/2023-06-23-agent/",),
bs_kwargs=dict(
parse_only=bs4.SoupStrainer(
class_=("post-content", "post-title", "post-header")
)
),
)
docs = loader.load()这其实是对第一种方法的一种高层封装，将第一种方法中的两个步骤合并在了一起。
1. 利用大模型直接提取指定信息的探索小结：单网页的专用爬虫实现方法，目前我们用过的就这几个，可以看到，无论用哪种方法，都躲不过需要我们手动去 F12 调试页面，分析HTML的结构，找到文本内容的Tag或Class。换一个网页，这些Tag或Class可能就不通用了，需要重新分析结构，查找 Tag和Class。
上面虽然利用了大模型帮我们生成Python代码，但代码不通用，如何利用大模型将这个过程通用化呢？我们也做过探索：
在这篇文章的后半部分，我们就利用了 LangChain 中的 create_extraction_chain 来尝试创建一个从网页内容中提取特定内容的通用爬虫。
其主要代码如下：
schema = {
"properties": {
"article_title": {"type": "string"},
"article_content": {"type": "string"},
"article_example_python_code": {"type": "string"},
},
"required": ["article_title", "article_content", "article_example_python_code"],
}
def extract(content: str, schema: dict):
return create_extraction_chain(schema=schema, llm=llm).run(content)最主要的是 schema 的定义，因为这是告诉LLM我们想要什么样的信息。所以，尽可能详细。其实现原理也比较明确，就是内部将 schema 转换成了 OpenAI 的 function calling 的结构，利用 Function Calling 能力来提取信息。
具体的操作步骤和原理解释可以看下上面链接中的文章。
2. 利用AI Agent实现通用爬虫小结：这种方式在获取到网页全部内容后，利用大模型从全部内容中提取出我们需要的信息。不需要知道想要信息的 Tag 和 Class，因此具有一定的通用性。但是效果好坏，完全取决于大模型的能力和我们自己定义的schema内容。目前来看，有点用，但想真正能用，还是非常难的。
2.1 实现思路
实现真正能够通用的爬虫，我们将目光放到 AI Agent 上。正好，前段时间学习 MetaGPT，里面的教程中就有通用爬虫的实现，咱们借鉴一下。
具体的MetaGPT实现通用爬虫的详细步骤可以看这篇文章第3部分：【AI Agent系列】【MetaGPT】10. 一句话订阅专属信息 - 订阅智能体进阶，实现一个更通用的订阅智能体（2）
它的 实现思路是先让大模型理解用户想要的数据内容，然后根据这些数据内容让大模型写爬虫代码，然后自动执行爬虫代码，获取相关文本内容。
2.2 自动化爬虫代码生成器
我将这个过程单独抽离了出来，自动写爬虫代码的完整代码如下：
import asyncio
from metagpt.tools.web_browser_engine import WebBrowserEngine
from metagpt.utils.common import CodeParser
from metagpt.utils.parse_html import _get_soup
from openai_test import openai_test
def get_outline(page):
soup = _get_soup(page.html)
outline = []
def process_element(element, depth):
name = element.name
if not name:
return
if name in ["script", "style"]:
return
element_info = {"name": element.name, "depth": depth}
if name in ["svg"]:
element_info["text"] = None
outline.append(element_info)
return
element_info["text"] = element.string
# Check if the element has an "id" attribute
if "id" in element.attrs:
element_info["id"] = element["id"]
if "class" in element.attrs:
element_info["class"] = element["class"]
outline.append(element_info)
for child in element.children:
process_element(child, depth + 1)
for element in soup.body.children:
process_element(element, 1)
return outline
async def test(url, query):
page = await WebBrowserEngine().run(url)
outline = get_outline(page)
outline = "\n".join(
f"{' '*i['depth']}{'.'.join([i['name'], *i.get('class', [])])}: {i['text'] if i['text'] else ''}"
for i in outline
)
# print(outline)
PROMPT_TEMPLATE = """Please complete the web page crawler parse function to achieve the User Requirement. The parse \
function should take a BeautifulSoup object as input, which corresponds to the HTML outline provided in the Context.
```python
from bs4 import BeautifulSoup
# only complete the parse function
def parse(soup: BeautifulSoup):
...
# Return the object that the user wants to retrieve, don't use print
```
## User Requirement
{requirement}
## Context
The outline of html page to scrabe is show like below:
```tree
{outline}
```
"""
code_rsp = openai_test.get_chat_completion(PROMPT_TEMPLATE.format(outline=outline, requirement=query))
code = CodeParser.parse_code(block="", text=code_rsp)
print(code)
asyncio.run(test("https://mp.weixin.qq.com/s/2m8MrsCxf5boiH4Dzpphrg", "获取标题，正文中的所有问题，正文中的代码"))其步骤可总结如下：
（1）通过WebBrowserEngine 获得URL的HTML结构： page = await WebBrowserEngine().run(url)
（2）通过get_outline获取出该HTML网页的主体结构，这是为了消除原HTML中的无用数据，同时减少Token消耗： outline = get_outline(page)
（3）将 outline 和 用户的需求数据 组成 Prompt，给大模型，让大模型写代码：code_rsp = openai_test.get_chat_completion(PROMPT_TEMPLATE.format(outline=outline, requirement=query))
其最终运行结果如下（最终输出的是针对此url和用户需求的爬虫代码）：
def parse(soup: BeautifulSoup):
title = soup.find('h1', class_='rich_media_title').text
questions = []
codes = []
sections = soup.find_all('section')
for section in sections:
blocks = section.find_all(['p', 'h2', 'h3', 'pre', 'ul', 'blockquote'])
for block in blocks:
text = block.get_text(strip=True)
if text:
if block.name == 'p' or block.name == 'h2' or block.name == 'h3':
if text not in ['公众号内文章一览', '原创', '同学小张', '2024-03-13 08:00', '北京']:
questions.append(text)
if block.name == 'pre' or block.name == 'ul' or block.name == 'blockquote':
codes.append(text)
return {
'title': title,
'questions': questions,
'codes': codes
}运行该爬虫代码看下大模型写的代码的效果，测试程序如下：
import asyncio
from metagpt.tools.web_browser_engine import WebBrowserEngine
from bs4 import BeautifulSoup
def parse(soup: BeautifulSoup):
title = soup.find('h1', class_='rich_media_title').text
questions = []
codes = []
sections = soup.find_all('section')
for section in sections:
blocks = section.find_all(['p', 'h2', 'h3', 'pre', 'ul', 'blockquote'])
for block in blocks:
text = block.get_text(strip=True)
if text:
if block.name == 'p' or block.name == 'h2' or block.name == 'h3':
if text not in ['公众号内文章一览', '原创', '同学小张', '2024-03-13 08:00', '北京']:
questions.append(text)
if block.name == 'pre' or block.name == 'ul' or block.name == 'blockquote':
codes.append(text)
return {
'title': title,
'questions': questions,
'codes': codes
}
async def test(url):
page = await WebBrowserEngine().run(url)
result = parse(page.soup)
print(result)
asyncio.run(test("https://mp.weixin.qq.com/s/2m8MrsCxf5boiH4Dzpphrg"))运行结果：
该爬虫程序将网页内容提取成了用户需求的那三个字段：题目、正文问题（文字）、正文代码，效果还是很不错的。
当然，我们上面是手动将爬虫代码粘贴出来测试的，在AI Agent中，直接再加一个Agent，让其专门自动运行此代码，就完成了通用爬虫的过程（这也是上文链接文章中的做法）：用户全程只需输入一个Url和想要的数据，然后就能拿到想要的内容了，而且效果比上面第1节中利用大模型直接提取指定信息的方法要好得多。
2.3 可能遇到的问题
虽然我们上面通过 get_outline 对HTML内容进行了精简，但还是存在超过大模型 Token 数限制的情况，这种情况就无法生成爬虫代码，而是报下面的错误：
解决这种情况的方法也简单，限制下最终 Prompt 的 Token 数就好了（简单粗暴），这些 Token 已经足以表达 HTML 的结构了。
if (len(prompt) > 16000):
prompt = prompt[0:16000]本文我们盘点了目前为止我使用过的所有爬虫代码，分析了它们的实现方法。从专用爬虫，到大模型直接提取指定信息的通用爬虫探索，再到最终的利用 AI Agent 实现通用爬虫，逐步递进，总能让你收获点东西。
本文中的代码和关联文章中的代码都是我亲测可用的，可以直接拿去用。
题外话：在运行过程中，LangChain 和 MetaGPT 中的相关封装类，底层有使用 Playwright 来进行网页数据获取，所以，你可能需要安装下 Playwright 环境。我在这上面踩了不少坑，如果你需要，可以看这篇文章避下坑：【云服务环境】含泪总结：我在云服务安装Python爬虫环境Playwright的踩坑实录
