AIGC+Python——AI赋能网页爬虫

引言

在当今数字化的时代，数据就像一座宝藏，而网页爬虫就是我们从海量数据中发掘宝藏的工具之一。而结合人工智能生成技术（AIGC）和Python语言，可以更快速地实现网页爬虫，让我们一起来探索这个神奇的组合吧！

流程

1. 安装引入相关库

首先，我们需要安装Python中用于网页爬虫的相关库，比如requests、BeautifulSoup等。这些库可以帮助我们发送HTTP请求，并解析HTML结构。

python 复制代码

# python http请求库
!pip install requests

# python dom 查找
# 不用写正则表达式
!pip install beautifulsoup4

# 通义千问大模型
!pip install dashscope

python 复制代码

import requests # node require
from bs4 import BeautifulSoup
import dashscope

2. 发送HTTP请求，得到HTML结构

接下来，我们可以通过发送HTTP请求来获取网页的HTML内容。

python 复制代码

def fetch_movie_list(url):
  # 设置HTTP 请求头
  headers = {
      'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36 Edg/124.0.0.0'
  }

  response = requests.get(url, headers=headers)

  # HTTP状态码 成功
  if response.status_code == 200:
    # 解析器 对html继续解析
    soup = BeautifulSoup(response.text, 'html.parser') # 内存中的dom对象
    movie_list = []
    movies = soup.select('#wrapper #content .article .item')
    # python 不是完全面向对象的，而更年轻的js 是完全面向对象
    # print(len(movies))
    # 确保一定是 字符串
    all_movies_text = ''.join([movie.prettify() for movie in movies[:2]])
    # print(all_movies_text)
    return all_movies_text
  else:
    print('Failed to retrieve content')


url = 'http://movie.douban.com/chart'

# 函数调用
movies = fetch_movie_list(url)
print(movies)

HTTP 请求头中的User-Agent 可以通过在浏览器中打印navigator.userAgent得到

3. 设置Prompt(预设提示)

在使用AIGC之前，我们需要设置Prompt，以便AIGC可以生成我们需要的内容。

python 复制代码

# AIGC LLM + Prompt(指令)
prompt = f"""
{movies}
这是一段电影列表html，请获取电影名(name),封面链接(picture),简介(info)，评分(score)，评论人数(conmmentsNumber)
,请使用括号里的单词作为属性名，并以JSON数组的格式返回
"""
print(prompt)

4. 调用通义千问API

现在，我们可以调用AIGC的API，并传入HTML内容和设置好的Prompt，让AIGC帮助我们生成网页爬虫所需的代码。

API_KEY 可以在模型服务灵积 DashScope - 阿里云 (aliyun.com)中点击立即开通后点击控制台的API_KEY管理获得

python 复制代码

# 更改为自己的API_KEY
dashscope.api_key = API_KEY

def call_qwen_with_prompt():
  message = [
      {
          'role':'user',
          'content':prompt
      }
  ]
  response = dashscope.Generation.call(
      dashscope.Generation.Models.qwen_turbo,
      messages = message,
      result_messages = 'messages'
  )
  print(response)
call_qwen_with_prompt()

结语

最终，通过以上步骤，我们可以快速实现一个网页爬虫，从网页中提取我们需要的信息。让编程变得更简单，让AIGC和Python助力你的工作吧！如果你觉得这篇文章有帮助或有所启发，别忘了给我一个鼓励的赞！