本站文章一览：
Web检索是AI大模型应用的一个热门应用方向。其涉及的主要步骤如下：
（1）用户提问，联网检索 （2）通过URLs记载网页HTML数据 （3）加载到的数据通过转换，获取关注的内容，形成文本 （4）对文本进行分块、向量化、存储 （5）调用大模型进行总结、答案生成
其实就是RAG的基本流程，只不过知识库不再局限在你自己的知识库，而是利用在线检索，搜罗互联网上的数据作为相关知识。
搜罗数据的过程，可以有两种方法，一种是调用检索的API，例如GoogleSearch的API，直接获取检索结果。另一种方法，就是靠爬虫，将网页数据抓取下来，存入向量数据库使用。
本文我们探讨一下爬虫的相关的使用方法。
0. LangChain接口
LangChain中，将爬虫功能分成了两个模块，Loading 和 Transforming。
-
Loading模块的功能是将 URL 加载转换成 HTML 内容。封装的类包括：AsyncHtmlLoader类、AsyncChromiumLoader类等。 -
Transforming模块的功能是将 HMTL 内容转换成需要的文本。封装的类包括：HTML2Text类、Beautiful Soup类等。
0.1 Loading模块简介
-
AsyncHtmlLoader： 使用aiohttp库生成异步HTTP请求，适用于更简单、轻量级的抓取。 -
AsyncChromiumLoader：使用Playwright启动Chromium实例，该实例可以处理JavaScript渲染和更复杂的web交互。Chromium是Playwright支持的浏览器之一，Playwright是一个用于控制浏览器自动化的库。
0.2 Transforming模块简介
-
HTML2Text：将HTML内容直接转换为纯文本，而无需任何特定的标记操作。它最适合于目标是提取人类可读文本而不需要操作特定HTML元素的场景。
-
Beautiful Soup：对HTML内容提供了更细粒度的控制，支持特定的标记提取、删除和内容清理。它适用于需要提取特定信息并根据需要清理HTML内容的情况。
1. 快速上手 - Quick Start
1.1 Demo代码
urls = ["https://mp.weixin.qq.com/s/Zklc3p5uosXZ7XMHD1k2QA"]
from langchain_community.document_loaders import AsyncChromiumLoader
from langchain_community.document_transformers import BeautifulSoupTransformer
# Load HTML
loader = AsyncChromiumLoader(urls)
html = loader.load()
print("============= html =====================")
print(html)
# Transform
bs_transformer = BeautifulSoupTransformer()
docs_transformed = bs_transformer.transform_documents(html, tags_to_extract=["span"])
print("================= doc_transformed ===============")
print(docs_transformed)
1.2 代码解释
（1）该程序使用了 AsyncChromiumLoader 类来加载URL为HTML内容。
注意：AsyncChromiumLoader 接收的参数是一个URL数组，这意味着它可以同时加载多个URL。
（2）使用了 BeautifulSoupTransformer 类作为transform来将HTML内容转换成文本内容
注意：transform_documents 函数中的 tags_to_extract 参数，指定了将 HTML 中的什么 tag 内的内容提取成文本。
1.3 运行效果
- URL转HTML内容结果如下：
抓出来的其实是HTML脚本语言，程序代码。并不是我们想要的文本信息。所以后面有个Transform步骤。
- Transform步骤后的结果：
可以看到经过 Transform 步骤后，出现了我们需要的文本信息。
原网页内容如下：经过对比，发现提取的文本丢失了很多内容。主要的原因是tags_to_extract 参数设置的问题。
1.4 效果改善
HTML脚本语言的常用的文本标签 tags 大体有 ,
,
- ,
和 :
-
-
到
：标题标签，用于定义标题的级别，
是最高级别的标题，依次递减。
-
：段落标签，用于定义段落。
-
：链接标签，用于创建超链接，通过href属性指定链接目标。
-
：内联容器标签，用于包裹一小段文本或行内元素。
-
：块级容器标签，用于组合和布局其他元素。
-
：强调文本标签，使文本加粗显示。
-
：强调文本标签，使文本以斜体显示。
-
：换行标签，用于插入一个换行符。
要改善上面的提取结果，使其能提取出更多的文本，我们可以修改提取的 tags 参数，如下，提取出,
和
的内容：docs_transformed = bs_transformer.transform_documents(html, tags_to_extract=["span", "code", "p"])修改后运行效果如下：已经将里面的文字和代码全部提取出来了（虽然还有些特殊符号，不过没关系，后面可以再过滤一层去掉）：
1.5 怎么确认
tags_to_extract的参数那上面我是怎么确认要提取
"span", "code", "p"这三个tag内的文本的呢？（1）打开你要爬取的网页，按 F12 打开网页调试工具
（2）找到 “元素” 选项卡，然后点击左上角的这个图标（如图）
（3）将鼠标悬浮在你想提取的文字上面，它就会自动展示当前文字所在的标签 tag 是什么。如下面图片：
（4）将这些tag全部填到参数里，就OK了。2. 高级方法 - 使用大模型的Function Calling提取所需文本
该方法是在以上方法的基础上，在得到文本后，再利用大模型，从文本中二次提取出所关注的文本内容。
这种方法的好处在于，对于网页内容和结构变化时，我们不需要再去频繁的调整提取tag等参数，而是最后利用大模型统一提取关心内容即可。
2.1 Demo代码
def scraping_with_extraction(): from langchain_openai import ChatOpenAI llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo-0613") from langchain.chains import create_extraction_chain 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) import pprint from langchain.text_splitter import RecursiveCharacterTextSplitter def scrape_with_playwright(urls, schema): from langchain_community.document_loaders import AsyncChromiumLoader from langchain_community.document_transformers import BeautifulSoupTransformer loader = AsyncChromiumLoader(urls) docs = loader.load() bs_transformer = BeautifulSoupTransformer() docs_transformed = bs_transformer.transform_documents( docs, tags_to_extract=["span", "code", "p"] ) print("Extracting content with LLM") # Grab the first 1000 tokens of the site splitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder( chunk_size=1000, chunk_overlap=0 ) splits = splitter.split_documents(docs_transformed) # Process the first split extracted_content = extract(schema=schema, content=splits[0].page_content) pprint.pprint(extracted_content) return extracted_content extracted_content = scrape_with_playwright(urls, schema=schema) scraping_with_extraction()2.2 代码解释
（1）schema定义
定义一个模式来指定要提取的数据类型。在这里，key的名称很重要，因为这是告诉LLM我们想要什么样的信息。所以，尽可能详细。
（2）正常走上面的流程，获取网页数据 docs_transformed
（3）代码中还做了 split，将全部文本分块了，可能是为了避免超出 LLM 的Token长度限制？
（4）最重要、最灵魂的几句，将文本内容，和模式传入
create_extraction_chain来获取输出：def extract(content: str, schema: dict): return create_extraction_chain(schema=schema, llm=llm).run(content) extracted_content = extract(schema=schema, content=splits[0].page_content)2.3 运行效果
输出的结果不是很好。
2.4
create_extraction_chain源码解析该函数源码如下：
其做的事儿，也比较简单，就是通过 _get_extraction_function函数将上面我们定义的schema转换成了 function calling 中的 function 的结构。
然后创建了一个 LLMChain 链。看下它内置的Prompt，让大模型提取出在
information_extraction函数中定义的properties相关信息 ：_EXTRACTION_TEMPLATE = """Extract and save the relevant entities mentioned \ in the following passage together with their properties. Only extract the properties mentioned in the 'information_extraction' function. If a property is not present and is not required in the function parameters, do not include it in the output. Passage: {input} """很明显，这个 Prompt 比较简单，要想大模型提取的结果好，
information_extraction函数中定义的properties必须要尽可能详细。怎么提供详细的说明呢？看下我之前的[Function calling的文章]，可以看到参数下面可以加一个描述来详细描述该参数的含义。
仿照这个方法，我们可以优化schema：
schema = { "properties": { "文章标题": {"type": "string", "description": "文章题目"}, "文章正文全部内容": {"type": "string", "description": "文章的正文内容，不要包含Python代码，只输出文字"}, "文章中的示例Python代码": {"type": "string", "description": "文章中的Python代码，只输出代码，用markdonw格式输出，可能存在多段代码，多段代码之间分开"}, }, "required": ["文章标题", "文章正文全部内容", "文章中的示例Python代码"], }还有一种方法，
create_extraction_chain函数的参数接收一个额外的 Prompt，我们也可以通过此参数来调优提取结果。然而最终结果并没有多少改善… 待继续研究怎么优化。
该方法有点过于依赖大模型的能力，并且会大量消耗Token，目前还没看到有实际的落地效果，处于探索阶段。
如何学习AI大模型？
我在一线互联网企业工作十余年里，指导过不少同行后辈。帮助很多人得到了学习和成长。
我意识到有很多经验和知识值得分享给大家，也可以通过我们的能力和经验解答大家在人工智能学习中的很多困惑，所以在工作繁忙的情况下还是坚持各种整理和分享。但苦于知识传播途径有限，很多互联网行业朋友无法获得正确的资料得到学习提升，故此将并将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。
第一阶段： 从大模型系统设计入手，讲解大模型的主要方法；
第二阶段： 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用；
第三阶段： 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统；
第四阶段： 大模型知识库应用开发以LangChain框架为例，构建物流行业咨询智能问答系统；
第五阶段： 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型；
第六阶段： 以SD多模态大模型为主，搭建了文生图小程序案例；
第七阶段： 以大模型平台应用与开发为主，通过星火大模型，文心大模型等成熟大模型构建大模型行业应用。
👉学会后的收获：👈
• 基于大模型全栈工程实现（前端、后端、产品经理、设计、数据分析等），通过这门课可获得不同能力；• 能够利用大模型解决相关实际项目需求： 大数据时代，越来越多的企业和机构需要处理海量数据，利用大模型技术可以更好地处理这些数据，提高数据分析和决策的准确性。因此，掌握大模型应用开发技能，可以让程序员更好地应对实际项目需求；
• 基于大模型和企业数据AI应用开发，实现大模型理论、掌握GPU算力、硬件、LangChain开发框架和项目实战技能， 学会Fine-tuning垂直训练大模型（数据准备、数据蒸馏、大模型部署）一站式掌握；
• 能够完成时下热门大模型垂直领域模型训练能力，提高程序员的编码能力： 大模型应用开发需要掌握机器学习算法、深度学习框架等技术，这些技术的掌握可以提高程序员的编码能力和分析能力，让程序员更加熟练地编写高质量的代码。
1.AI大模型学习路线图
2.100套AI大模型商业化落地方案
3.100集大模型视频教程
4.200本大模型PDF书籍
5.LLM面试题合集
6.AI产品经理资源合集👉获取方式：
😝有需要的小伙伴，可以保存图片到wx扫描二v码免费领取【保证100%免费】🆓
-
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
