docs: update the translated readme files with the new content
This commit is contained in:
Karim shoair
+198
-130
@@ -6,8 +6,9 @@
|
||||
</picture>
|
||||
</a>
|
||||
<br>
|
||||
<small>Web Scraping have never been easier!</small>
|
||||
<small>Effortless Web Scraping for the Modern Web</small>
|
||||
</h1>
|
||||
|
||||
<p align="center">
|
||||
<a href="https://github.com/D4Vinci/Scrapling/actions/workflows/tests.yml" alt="Tests">
|
||||
<img alt="Tests" src="https://github.com/D4Vinci/Scrapling/actions/workflows/tests.yml/badge.svg"></a>
|
||||
@@ -28,46 +29,47 @@
|
||||
</p>
|
||||
|
||||
<p align="center">
|
||||
<a href="https://scrapling.readthedocs.io/en/latest/parsing/selection/">
|
||||
选择方法
|
||||
</a>
|
||||
·
|
||||
<a href="https://scrapling.readthedocs.io/en/latest/fetching/choosing/">
|
||||
选择获取器
|
||||
</a>
|
||||
·
|
||||
<a href="https://scrapling.readthedocs.io/en/latest/cli/overview/">
|
||||
命令行界面
|
||||
</a>
|
||||
·
|
||||
<a href="https://scrapling.readthedocs.io/en/latest/ai/mcp-server/">
|
||||
MCP模式
|
||||
</a>
|
||||
·
|
||||
<a href="https://scrapling.readthedocs.io/en/latest/tutorials/migrating_from_beautifulsoup/">
|
||||
从Beautifulsoup迁移
|
||||
</a>
|
||||
<a href="https://scrapling.readthedocs.io/en/latest/parsing/selection/"><strong>选择方法</strong></a>
|
||||
·
|
||||
<a href="https://scrapling.readthedocs.io/en/latest/fetching/choosing/"><strong>选择Fetcher</strong></a>
|
||||
·
|
||||
<a href="https://scrapling.readthedocs.io/en/latest/cli/overview/"><strong>CLI</strong></a>
|
||||
·
|
||||
<a href="https://scrapling.readthedocs.io/en/latest/ai/mcp-server/"><strong>MCP模式</strong></a>
|
||||
·
|
||||
<a href="https://scrapling.readthedocs.io/en/latest/tutorials/migrating_from_beautifulsoup/"><strong>从Beautifulsoup迁移</strong></a>
|
||||
</p>
|
||||
|
||||
**停止与反机器人系统斗争。停止在每次网站更新后重写选择器。**
|
||||
Scrapling是一个自适应Web Scraping框架，能处理从单个请求到大规模爬取的一切需求。
|
||||
|
||||
Scrapling不仅仅是另一个网页抓取库。它是第一个**自适应**抓取库，能够从网站变化中学习并与之共同进化。当其他库在网站更新结构时失效，Scrapling会自动重新定位您的元素并保持抓取器运行。
|
||||
它的解析器能够从网站变化中学习，并在页面更新时自动重新定位您的元素。它的Fetcher能够开箱即用地绕过Cloudflare Turnstile等反机器人系统。它的Spider框架让您可以扩展到并发、多Session爬取，支持暂停/恢复和自动Proxy轮换——只需几行Python代码。一个库，零妥协。
|
||||
|
||||
为现代网络而构建，Scrapling具有**自己的快速解析引擎**和获取器来处理您面临或将要面临的所有网页抓取挑战。由网页抓取者为网页抓取者和普通用户构建，适合每个人。
|
||||
极速爬取，实时统计和Streaming。由Web Scraper为Web Scraper和普通用户而构建，每个人都能找到适合自己的功能。
|
||||
|
||||
```python
|
||||
>> from scrapling.fetchers import Fetcher, AsyncFetcher, StealthyFetcher, DynamicFetcher
|
||||
>> StealthyFetcher.adaptive = True
|
||||
# 隐秘地获取网站源代码！
|
||||
>> page = StealthyFetcher.fetch('https://example.com', headless=True, network_idle=True)
|
||||
>> print(page.status)
|
||||
200
|
||||
>> products = page.css('.product', auto_save=True) # 抓取在网站设计变更后仍能存活的数据！
|
||||
>> # 之后，如果网站结构改变，传递 `adaptive=True`
|
||||
>> products = page.css('.product', adaptive=True) # Scrapling仍然能找到它们！
|
||||
from scrapling.fetchers import Fetcher, AsyncFetcher, StealthyFetcher, DynamicFetcher
|
||||
StealthyFetcher.adaptive = True
|
||||
page = StealthyFetcher.fetch('https://example.com', headless=True, network_idle=True) # 隐秘地获取网站！
|
||||
products = page.css('.product', auto_save=True) # 抓取在网站设计变更后仍能存活的数据！
|
||||
products = page.css('.product', adaptive=True) # 之后，如果网站结构改变，传递 `adaptive=True` 来找到它们！
|
||||
```
|
||||
或扩展为完整爬取
|
||||
```python
|
||||
from scrapling.spiders import Spider, Response
|
||||
|
||||
class MySpider(Spider):
|
||||
name = "demo"
|
||||
start_urls = ["https://example.com/"]
|
||||
|
||||
async def parse(self, response: Response):
|
||||
for item in response.css('.product'):
|
||||
yield {"title": item.css('h2::text').get()}
|
||||
|
||||
MySpider().start()
|
||||
```
|
||||
|
||||
# 赞助商
|
||||
|
||||
# 赞助商
|
||||
|
||||
<!-- sponsors -->
|
||||
|
||||
@@ -91,122 +93,195 @@ Scrapling不仅仅是另一个网页抓取库。它是第一个**自适应**抓
|
||||
|
||||
## 主要特性
|
||||
|
||||
### 支持会话的高级网站获取
|
||||
- **HTTP请求**：使用`Fetcher`类进行快速和隐秘的HTTP请求。可以模拟浏览器的TLS指纹、标头并使用HTTP3。
|
||||
### Spider — 完整的爬取框架
|
||||
- 🕷️ **类Scrapy的Spider API**：使用`start_urls`、async `parse` callback和`Request`/`Response`对象定义Spider。
|
||||
- ⚡ **并发爬取**：可配置的并发限制、按域名节流和下载延迟。
|
||||
- 🔄 **多Session支持**：统一接口，支持HTTP请求和隐秘无头浏览器在同一个Spider中使用——通过ID将请求路由到不同的Session。
|
||||
- 💾 **暂停与恢复**：基于Checkpoint的爬取持久化。按Ctrl+C优雅关闭；重启后从上次停止的地方继续。
|
||||
- 📡 **Streaming模式**：通过`async for item in spider.stream()`以实时统计Streaming抓取的数据——非常适合UI、管道和长时间运行的爬取。
|
||||
- 🛡️ **被阻止请求检测**：自动检测并重试被阻止的请求，支持自定义逻辑。
|
||||
- 📦 **内置导出**：通过钩子和您自己的管道导出结果，或使用内置的JSON/JSONL，分别通过`result.items.to_json()`/`result.items.to_jsonl()`。
|
||||
|
||||
### 支持Session的高级网站获取
|
||||
- **HTTP请求**：使用`Fetcher`类进行快速和隐秘的HTTP请求。可以模拟浏览器的TLS fingerprint、标头并使用HTTP/3。
|
||||
- **动态加载**：通过`DynamicFetcher`类使用完整的浏览器自动化获取动态网站，支持Playwright的Chromium和Google Chrome。
|
||||
- **反机器人绕过**：使用`StealthyFetcher`的高级隐秘功能和指纹伪装。可以轻松自动绕过所有类型的Cloudflare的Turnstile/Interstitial。
|
||||
- **会话管理**：使用`FetcherSession`、`StealthySession`和`DynamicSession`类持久化会话支持，用于跨请求的cookie和状态管理。
|
||||
- **异步支持**：所有获取器和专用异步会话类的完整异步支持。
|
||||
- **反机器人绕过**：使用`StealthyFetcher`的高级隐秘功能和fingerprint伪装。可以轻松自动绕过所有类型的Cloudflare Turnstile/Interstitial。
|
||||
- **Session管理**：使用`FetcherSession`、`StealthySession`和`DynamicSession`类实现持久化Session支持，用于跨请求的cookie和状态管理。
|
||||
- **Proxy轮换**：内置`ProxyRotator`，支持轮询或自定义策略，适用于所有Session类型，并支持按请求覆盖Proxy。
|
||||
- **域名屏蔽**：在基于浏览器的Fetcher中屏蔽对特定域名（及其子域名）的请求。
|
||||
- **Async支持**：所有Fetcher和专用async Session类的完整async支持。
|
||||
|
||||
### 自适应抓取和AI集成
|
||||
- 🔄 **智能元素跟踪**：使用智能相似性算法在网站更改后重新定位元素。
|
||||
- 🎯 **智能灵活选择**：CSS选择器、XPath选择器、基于过滤器的搜索、文本搜索、正则表达式搜索等。
|
||||
- 🔍 **查找相似元素**：自动定位与找到的元素相似的元素。
|
||||
- 🤖 **与AI一起使用的MCP服务器**：内置MCP服务器用于AI辅助网页抓取和数据提取。MCP服务器具有强大的自定义功能，利用Scrapling在将内容传递给AI（Claude/Cursor等）之前提取目标内容，从而加快操作并通过最小化令牌使用来降低成本。（[演示视频](https://www.youtube.com/watch?v=qyFk3ZNwOxE)）
|
||||
- 🔍 **查找相似元素**：自动定位与已找到元素相似的元素。
|
||||
- 🤖 **与AI一起使用的MCP服务器**：内置MCP服务器用于AI辅助Web Scraping和数据提取。MCP服务器具有强大的自定义功能，利用Scrapling在将内容传递给AI（Claude/Cursor等）之前提取目标内容，从而加快操作并通过最小化token使用来降低成本。（[演示视频](https://www.youtube.com/watch?v=qyFk3ZNwOxE)）
|
||||
|
||||
### 高性能和经过实战测试的架构
|
||||
- 🚀 **闪电般快速**：优化性能超越大多数Python抓取库。
|
||||
- 🔋 **内存高效**：优化的数据结构和延迟加载，最小内存占用。
|
||||
- ⚡ **快速JSON序列化**：比标准库快10倍。
|
||||
- 🏗️ **经过实战测试**：Scrapling不仅拥有92%的测试覆盖率和完整的类型提示覆盖率，而且在过去一年中每天被数百名网页抓取者使用。
|
||||
- 🏗️ **经过实战测试**：Scrapling不仅拥有92%的测试覆盖率和完整的类型提示覆盖率，而且在过去一年中每天被数百名Web Scraper使用。
|
||||
|
||||
### 对开发者/网页抓取者友好的体验
|
||||
- 🎯 **交互式网页抓取Shell**：可选的内置IPython shell，具有Scrapling集成、快捷方式和新工具，可加快网页抓取脚本开发，例如将curl请求转换为Scrapling请求并在浏览器中查看请求结果。
|
||||
### 对开发者/Web Scraper友好的体验
|
||||
- 🎯 **交互式Web Scraping Shell**：可选的内置IPython Shell，具有Scrapling集成、快捷方式和新工具，可加快Web Scraping脚本开发，例如将curl请求转换为Scrapling请求并在浏览器中查看请求结果。
|
||||
- 🚀 **直接从终端使用**：可选地，您可以使用Scrapling抓取URL而无需编写任何代码！
|
||||
- 🛠️ **丰富的导航API**：使用父级、兄弟级和子级导航方法进行高级DOM遍历。
|
||||
- 🧬 **增强的文本处理**：内置正则表达式、清理方法和优化的字符串操作。
|
||||
- 📝 **自动选择器生成**：为任何元素生成强大的CSS/XPath选择器。
|
||||
- 🔌 **熟悉的API**：类似于Scrapy/BeautifulSoup，使用与Scrapy/Parsel相同的伪元素。
|
||||
- 📘 **完整的类型覆盖**：完整的类型提示，出色的IDE支持和代码补全。
|
||||
- 📘 **完整的类型覆盖**：完整的类型提示，出色的IDE支持和代码补全。整个代码库在每次更改时都会自动使用**PyRight**和**MyPy**扫描。
|
||||
- 🔋 **现成的Docker镜像**：每次发布时，包含所有浏览器的Docker镜像会自动构建和推送。
|
||||
|
||||
## 入门
|
||||
|
||||
### 基本用法
|
||||
```python
|
||||
from scrapling.fetchers import Fetcher, StealthyFetcher, DynamicFetcher
|
||||
from scrapling.fetchers import FetcherSession, StealthySession, DynamicSession
|
||||
让我们快速展示Scrapling的功能，无需深入了解。
|
||||
|
||||
# 支持会话的HTTP请求
|
||||
with FetcherSession(impersonate='chrome') as session: # 使用Chrome的最新版本TLS指纹
|
||||
### 基本用法
|
||||
支持Session的HTTP请求
|
||||
```python
|
||||
from scrapling.fetchers import Fetcher, FetcherSession
|
||||
|
||||
with FetcherSession(impersonate='chrome') as session: # 使用Chrome的最新版本TLS fingerprint
|
||||
page = session.get('https://quotes.toscrape.com/', stealthy_headers=True)
|
||||
quotes = page.css('.quote .text::text')
|
||||
quotes = page.css('.quote .text::text').getall()
|
||||
|
||||
# 或使用一次性请求
|
||||
page = Fetcher.get('https://quotes.toscrape.com/')
|
||||
quotes = page.css('.quote .text::text')
|
||||
quotes = page.css('.quote .text::text').getall()
|
||||
```
|
||||
高级隐秘模式
|
||||
```python
|
||||
from scrapling.fetchers import StealthyFetcher, StealthySession
|
||||
|
||||
# 高级隐秘模式（保持浏览器打开直到完成）
|
||||
with StealthySession(headless=True, solve_cloudflare=True) as session:
|
||||
with StealthySession(headless=True, solve_cloudflare=True) as session: # 保持浏览器打开直到完成
|
||||
page = session.fetch('https://nopecha.com/demo/cloudflare', google_search=False)
|
||||
data = page.css('#padded_content a')
|
||||
data = page.css('#padded_content a').getall()
|
||||
|
||||
# 或使用一次性请求样式，为此请求打开浏览器，完成后关闭
|
||||
page = StealthyFetcher.fetch('https://nopecha.com/demo/cloudflare')
|
||||
data = page.css('#padded_content a')
|
||||
|
||||
# 完整的浏览器自动化（保持浏览器打开直到完成）
|
||||
with DynamicSession(headless=True) as session:
|
||||
page = session.fetch('https://quotes.toscrape.com/', network_idle=True)
|
||||
quotes = page.css('.quote .text::text')
|
||||
data = page.css('#padded_content a').getall()
|
||||
```
|
||||
完整的浏览器自动化
|
||||
```python
|
||||
from scrapling.fetchers import DynamicFetcher, DynamicSession
|
||||
|
||||
# 或使用一次性请求样式
|
||||
page = DynamicFetcher.fetch('https://quotes.toscrape.com/', network_idle=True)
|
||||
quotes = page.css('.quote .text::text')
|
||||
with DynamicSession(headless=True, disable_resources=False, network_idle=True) as session: # 保持浏览器打开直到完成
|
||||
page = session.fetch('https://quotes.toscrape.com/', load_dom=False)
|
||||
data = page.xpath('//span[@class="text"]/text()').getall() # 如果您偏好XPath选择器
|
||||
|
||||
# 或使用一次性请求样式，为此请求打开浏览器，完成后关闭
|
||||
page = DynamicFetcher.fetch('https://quotes.toscrape.com/')
|
||||
data = page.css('.quote .text::text').getall()
|
||||
```
|
||||
|
||||
### 元素选择
|
||||
### Spider
|
||||
构建具有并发请求、多种Session类型和暂停/恢复功能的完整爬虫：
|
||||
```python
|
||||
# CSS选择器
|
||||
page.css('a::text') # 提取文本
|
||||
page.css('a::attr(href)') # 提取属性
|
||||
page.css('a', recursive=False) # 仅直接元素
|
||||
page.css('a', auto_save=True) # 自动保存元素位置
|
||||
from scrapling.spiders import Spider, Request, Response
|
||||
|
||||
# XPath
|
||||
page.xpath('//a/text()')
|
||||
class QuotesSpider(Spider):
|
||||
name = "quotes"
|
||||
start_urls = ["https://quotes.toscrape.com/"]
|
||||
concurrent_requests = 10
|
||||
|
||||
# 灵活搜索
|
||||
page.find_by_text('Python', first_match=True) # 按文本查找
|
||||
page.find_by_regex(r'\d{4}') # 按正则表达式模式查找
|
||||
page.find('div', {'class': 'container'}) # 按属性查找
|
||||
async def parse(self, response: Response):
|
||||
for quote in response.css('.quote'):
|
||||
yield {
|
||||
"text": quote.css('.text::text').get(),
|
||||
"author": quote.css('.author::text').get(),
|
||||
}
|
||||
|
||||
# 导航
|
||||
element.parent # 获取父元素
|
||||
element.next_sibling # 获取下一个兄弟元素
|
||||
element.children # 获取子元素
|
||||
next_page = response.css('.next a')
|
||||
if next_page:
|
||||
yield response.follow(next_page[0].attrib['href'])
|
||||
|
||||
# 相似元素
|
||||
similar = page.get_similar(element) # 查找相似元素
|
||||
|
||||
# 自适应抓取
|
||||
saved_elements = page.css('.product', auto_save=True)
|
||||
# 之后，当网站更改时：
|
||||
page.css('.product', adaptive=True) # 使用保存的位置查找元素
|
||||
result = QuotesSpider().start()
|
||||
print(f"抓取了 {len(result.items)} 条引用")
|
||||
result.items.to_json("quotes.json")
|
||||
```
|
||||
|
||||
### 会话使用
|
||||
在单个Spider中使用多种Session类型：
|
||||
```python
|
||||
from scrapling.fetchers import FetcherSession, AsyncFetcherSession
|
||||
from scrapling.spiders import Spider, Request, Response
|
||||
from scrapling.fetchers import FetcherSession, AsyncStealthySession
|
||||
|
||||
# 同步会话
|
||||
with FetcherSession() as session:
|
||||
# Cookie自动保持
|
||||
page1 = session.get('https://quotes.toscrape.com/login')
|
||||
page2 = session.post('https://quotes.toscrape.com/login', data={'username': 'admin', 'password': 'admin'})
|
||||
|
||||
# 如需要，切换浏览器指纹
|
||||
class MultiSessionSpider(Spider):
|
||||
name = "multi"
|
||||
start_urls = ["https://example.com/"]
|
||||
|
||||
def configure_sessions(self, manager):
|
||||
manager.add("fast", FetcherSession(impersonate="chrome"))
|
||||
manager.add("stealth", AsyncStealthySession(headless=True), lazy=True)
|
||||
|
||||
async def parse(self, response: Response):
|
||||
for link in response.css('a::attr(href)').getall():
|
||||
# 将受保护的页面路由到隐秘Session
|
||||
if "protected" in link:
|
||||
yield Request(link, sid="stealth")
|
||||
else:
|
||||
yield Request(link, sid="fast", callback=self.parse) # 显式callback
|
||||
```
|
||||
通过如下方式运行Spider来暂停和恢复长时间爬取，使用Checkpoint：
|
||||
```python
|
||||
QuotesSpider(crawldir="./crawl_data").start()
|
||||
```
|
||||
按Ctrl+C优雅暂停——进度会自动保存。之后，当您再次启动Spider时，传递相同的`crawldir`，它将从上次停止的地方继续。
|
||||
|
||||
### 高级解析与导航
|
||||
```python
|
||||
from scrapling.fetchers import Fetcher
|
||||
|
||||
# 丰富的元素选择和导航
|
||||
page = Fetcher.get('https://quotes.toscrape.com/')
|
||||
|
||||
# 使用多种选择方法获取引用
|
||||
quotes = page.css('.quote') # CSS选择器
|
||||
quotes = page.xpath('//div[@class="quote"]') # XPath
|
||||
quotes = page.find_all('div', {'class': 'quote'}) # BeautifulSoup风格
|
||||
# 等同于
|
||||
quotes = page.find_all('div', class_='quote')
|
||||
quotes = page.find_all(['div'], class_='quote')
|
||||
quotes = page.find_all(class_='quote') # 等等...
|
||||
# 按文本内容查找元素
|
||||
quotes = page.find_by_text('quote', tag='div')
|
||||
|
||||
# 高级导航
|
||||
quote_text = page.css('.quote')[0].css('.text::text').get()
|
||||
quote_text = page.css('.quote').css('.text::text').getall() # 链式选择器
|
||||
first_quote = page.css('.quote')[0]
|
||||
author = first_quote.next_sibling.css('.author::text')
|
||||
parent_container = first_quote.parent
|
||||
|
||||
# 元素关系和相似性
|
||||
similar_elements = first_quote.find_similar()
|
||||
below_elements = first_quote.below_elements()
|
||||
```
|
||||
如果您不想获取网站，可以直接使用解析器，如下所示：
|
||||
```python
|
||||
from scrapling.parser import Selector
|
||||
|
||||
page = Selector("<html>...</html>")
|
||||
```
|
||||
用法完全相同！
|
||||
|
||||
### Async Session管理示例
|
||||
```python
|
||||
import asyncio
|
||||
from scrapling.fetchers import FetcherSession, AsyncStealthySession, AsyncDynamicSession
|
||||
|
||||
async with FetcherSession(http3=True) as session: # `FetcherSession`是上下文感知的，可以在sync/async模式下工作
|
||||
page1 = session.get('https://quotes.toscrape.com/')
|
||||
page2 = session.get('https://quotes.toscrape.com/', impersonate='firefox135')
|
||||
|
||||
# 异步会话使用
|
||||
# Async Session用法
|
||||
async with AsyncStealthySession(max_pages=2) as session:
|
||||
tasks = []
|
||||
urls = ['https://example.com/page1', 'https://example.com/page2']
|
||||
|
||||
|
||||
for url in urls:
|
||||
task = session.fetch(url)
|
||||
tasks.append(task)
|
||||
|
||||
|
||||
print(session.get_pool_stats()) # 可选 - 浏览器标签池的状态（忙/空闲/错误）
|
||||
results = await asyncio.gather(*tasks)
|
||||
print(session.get_pool_stats())
|
||||
@@ -214,11 +289,11 @@ async with AsyncStealthySession(max_pages=2) as session:
|
||||
|
||||
## CLI和交互式Shell
|
||||
|
||||
Scrapling v0.3包含强大的命令行界面：
|
||||
Scrapling包含强大的命令行界面：
|
||||
|
||||
[](https://asciinema.org/a/736339)
|
||||
|
||||
启动交互式网页抓取shell
|
||||
启动交互式Web Scraping Shell
|
||||
```bash
|
||||
scrapling shell
|
||||
```
|
||||
@@ -231,24 +306,24 @@ scrapling extract stealthy-fetch 'https://nopecha.com/demo/cloudflare' captchas.
|
||||
```
|
||||
|
||||
> [!NOTE]
|
||||
> 还有许多其他功能，但我们希望保持此页面简洁，例如MCP服务器和交互式网页抓取Shell。查看完整文档[这里](https://scrapling.readthedocs.io/en/latest/)
|
||||
> 还有许多其他功能，但我们希望保持此页面简洁，包括MCP服务器和交互式Web Scraping Shell。查看完整文档[这里](https://scrapling.readthedocs.io/en/latest/)
|
||||
|
||||
## 性能基准
|
||||
|
||||
Scrapling不仅功能强大——它还速度极快，自0.3版本以来的更新在所有操作中都提供了卓越的性能改进。以下基准测试将Scrapling的解析器与其他流行库进行了比较。
|
||||
Scrapling不仅功能强大——它还速度极快。以下基准测试将Scrapling的解析器与其他流行库的最新版本进行了比较。
|
||||
|
||||
### 文本提取速度测试（5000个嵌套元素）
|
||||
|
||||
| # | 库 | 时间(ms) | vs Scrapling |
|
||||
|---|:-----------------:|:-------:|:------------:|
|
||||
| 1 | Scrapling | 1.99 | 1.0x |
|
||||
| 2 | Parsel/Scrapy | 2.01 | 1.01x |
|
||||
| 3 | Raw Lxml | 2.5 | 1.256x |
|
||||
| 4 | PyQuery | 22.93 | ~11.5x |
|
||||
| 5 | Selectolax | 80.57 | ~40.5x |
|
||||
| 6 | BS4 with Lxml | 1541.37 | ~774.6x |
|
||||
| 7 | MechanicalSoup | 1547.35 | ~777.6x |
|
||||
| 8 | BS4 with html5lib | 3410.58 | ~1713.9x |
|
||||
| # | 库 | 时间(ms) | vs Scrapling |
|
||||
|---|:-----------------:|:---------:|:------------:|
|
||||
| 1 | Scrapling | 2.02 | 1.0x |
|
||||
| 2 | Parsel/Scrapy | 2.04 | 1.01 |
|
||||
| 3 | Raw Lxml | 2.54 | 1.257 |
|
||||
| 4 | PyQuery | 24.17 | ~12x |
|
||||
| 5 | Selectolax | 82.63 | ~41x |
|
||||
| 6 | MechanicalSoup | 1549.71 | ~767.1x |
|
||||
| 7 | BS4 with Lxml | 1584.31 | ~784.3x |
|
||||
| 8 | BS4 with html5lib | 3391.91 | ~1679.1x |
|
||||
|
||||
|
||||
### 元素相似性和文本搜索性能
|
||||
@@ -256,9 +331,9 @@ Scrapling不仅功能强大——它还速度极快，自0.3版本以来的更
|
||||
Scrapling的自适应元素查找功能明显优于替代方案：
|
||||
|
||||
| 库 | 时间(ms) | vs Scrapling |
|
||||
|-------------|:------:|:------------:|
|
||||
| Scrapling | 2.46 | 1.0x |
|
||||
| AutoScraper | 13.3 | 5.407x |
|
||||
|-------------|:---------:|:------------:|
|
||||
| Scrapling | 2.39 | 1.0x |
|
||||
| AutoScraper | 12.45 | 5.209x |
|
||||
|
||||
|
||||
> 所有基准测试代表100+次运行的平均值。请参阅[benchmarks.py](https://github.com/D4Vinci/Scrapling/blob/main/benchmarks.py)了解方法。
|
||||
@@ -271,25 +346,25 @@ Scrapling需要Python 3.10或更高版本：
|
||||
pip install scrapling
|
||||
```
|
||||
|
||||
从v0.3.2开始，此安装仅包括解析器引擎及其依赖项，没有任何获取器或命令行依赖项。
|
||||
此安装仅包括解析器引擎及其依赖项，没有任何Fetcher或命令行依赖项。
|
||||
|
||||
### 可选依赖项
|
||||
|
||||
1. 如果您要使用以下任何额外功能、获取器或它们的类，您将需要安装获取器的依赖项和它们的浏览器依赖项，如下所示：
|
||||
1. 如果您要使用以下任何额外功能、Fetcher或它们的类，您将需要安装Fetcher的依赖项和它们的浏览器依赖项，如下所示：
|
||||
```bash
|
||||
pip install "scrapling[fetchers]"
|
||||
|
||||
|
||||
scrapling install
|
||||
```
|
||||
|
||||
这会下载所有浏览器，以及它们的系统依赖项和指纹操作依赖项。
|
||||
这会下载所有浏览器，以及它们的系统依赖项和fingerprint操作依赖项。
|
||||
|
||||
2. 额外功能：
|
||||
- 安装MCP服务器功能：
|
||||
```bash
|
||||
pip install "scrapling[ai]"
|
||||
```
|
||||
- 安装shell功能（网页抓取shell和`extract`命令）：
|
||||
- 安装Shell功能（Web Scraping Shell和`extract`命令）：
|
||||
```bash
|
||||
pip install "scrapling[shell]"
|
||||
```
|
||||
@@ -328,12 +403,5 @@ docker pull ghcr.io/d4vinci/scrapling:latest
|
||||
此项目包含改编自以下内容的代码：
|
||||
- Parsel（BSD许可证）——用于[translator](https://github.com/D4Vinci/Scrapling/blob/main/scrapling/core/translator.py)子模块
|
||||
|
||||
## 感谢和参考
|
||||
|
||||
- [Daijro](https://github.com/daijro)在[BrowserForge](https://github.com/daijro/browserforge)和[Camoufox](https://github.com/daijro/camoufox)上的出色工作
|
||||
- [Vinyzu](https://github.com/Vinyzu)在[Botright](https://github.com/Vinyzu/Botright)和[PatchRight](https://github.com/Kaliiiiiiiiii-Vinyzu/patchright)上的出色工作
|
||||
- [brotector](https://github.com/kaliiiiiiiiii/brotector)提供的浏览器检测绕过技术
|
||||
- [fakebrowser](https://github.com/kkoooqq/fakebrowser)和[BotBrowser](https://github.com/botswin/BotBrowser)提供的指纹识别研究
|
||||
|
||||
---
|
||||
<div align="center"><small>由Karim Shoair用❤️设计和制作。</small></div><br>
|
||||
<div align="center"><small>由Karim Shoair用❤️设计和制作。</small></div><br>
|
||||
|
||||
Reference in New Issue
Block a user