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

相关推荐
apocalypsx6 小时前
深度学习-Kaggle实战1(房价预测)
人工智能·深度学习
春末的南方城市6 小时前
开放指令编辑创新突破!小米开源 Lego-Edit 登顶 SOTA:用强化学习为 MLLM 编辑开辟全新赛道!
人工智能·深度学习·机器学习·计算机视觉·aigc
Terio_my6 小时前
Python制作12306查票工具:从零构建铁路购票信息查询系统
开发语言·python·microsoft
37手游后端团队6 小时前
Claude Code Review:让AI审核更懂你的代码
人工智能·后端·ai编程
万粉变现经纪人7 小时前
如何解决 pip install -r requirements.txt 约束文件 constraints.txt 仅允许固定版本(未锁定报错)问题
开发语言·python·r语言·django·beautifulsoup·pandas·pip
站大爷IP7 小时前
Python定时任务实战:APScheduler从入门到精通
python
源代码杀手7 小时前
深入解析 Spec Kit 工作流:基于 GitHub 的 Spec-Driven Development 实践
人工智能·github
Fairy_sevenseven7 小时前
[1]python爬虫入门,爬取豆瓣电影top250实践
开发语言·爬虫·python
ThisIsMirror7 小时前
CompletableFuture并行任务超时处理模板
java·windows·python
java1234_小锋8 小时前
TensorFlow2 Python深度学习 - TensorFlow2框架入门 - 计算图和 tf.function 简介
python·深度学习·tensorflow·tensorflow2