DeepSeek总结的DuckDB爬虫（crawler）扩展

DuckDB爬虫（crawler）扩展

📊 下载与收录

• 周下载量: 383
• GitHub星标: 4
• 扩展仓库 : GitHub
• 社区扩展索引 : DuckDB社区扩展
• 扩展描述(YAML): 支持HTML提取和MERGE操作的SQL原生网页爬虫

维护者: onnimonni

📦 安装与加载

INSTALL crawler FROM community;
LOAD crawler;

💡 快速示例

基础用法

SELECT url, jq(html.document, 'h1').text as title
FROM crawl(['https://example.com']);

使用 read_html（类似Google Sheets的 =IMPORTHTML）

-- 提取表格
SELECT * FROM read_html('https://en.wikipedia.org/wiki/...', 'table.wikitable', 1);

-- 提取JS变量
SELECT * FROM read_html('https://example.com/page', 'js=jobs');

数据提取示例

SELECT
    url,
    jq(html.document, '.price', 'data-amount') as price,
    html.readability.title as article_title
FROM crawl(['https://example.com/products']);

使用 MERGE 进行智能合并

CRAWLING MERGE INTO pages
USING crawl(['https://example.com']) AS src
ON (src.url = pages.url)
WHEN MATCHED THEN UPDATE BY NAME
WHEN NOT MATCHED THEN INSERT BY NAME;

✨ 核心特性

• crawl() 表函数 : 支持自动速率限制和 robots.txt 合规性
• crawl_url() : 支持 LATERAL 连接
• sitemap(): 解析 XML 网站地图
• read_html() : 类似 Google Sheets 的 IMPORTHTML，支持提取表格、列表、JS变量
• jq() 和 htmlpath(): 基于CSS选择器的数据提取函数
• html.readability: 文章内容提取
• html.schema: 解析 JSON-LD/微数据
• CRAWLING MERGE INTO 语法: 支持"存在则更新，不存在则插入"的智能写入

🛠️ 新增函数

函数名	函数类型	描述	备注	示例
crawl	表函数	NULL	NULL
crawl_stream	表函数	NULL	NULL
crawl_url	表函数	NULL	NULL
css_select	标量函数	NULL	NULL
discover	标量函数	NULL	NULL
htmlpath	标量函数	NULL	NULL
jq	标量函数	NULL	NULL
read_html	表函数	NULL	NULL
sitemap	表函数	NULL	NULL
stream_merge_internal	表函数	NULL	NULL

⚙️ 新增配置项

名称	描述	输入类型	作用域	别名
crawler_default_delay	若 robots.txt 未指定，则使用默认爬取延迟（秒）	DOUBLE	GLOBAL	[]
crawler_max_response_bytes	最大响应体大小（字节，0 = 无限制）	BIGINT	GLOBAL	[]
crawler_respect_robots	是否遵守 robots.txt 指令	BOOLEAN	GLOBAL	[]
crawler_timeout_ms	HTTP 请求超时时间（毫秒）	BIGINT	GLOBAL	[]
crawler_user_agent	爬虫 HTTP 请求的 User-Agent 字符串	VARCHAR	GLOBAL	[]

📚 完整文档

请访问：https://github.com/midwork-finds-jobs/duckdb-crawler