【提效】让GPT帮你写爬虫程序，不懂爬虫也能行

同学小张

已于 2024-03-22 13:45:51 修改

阅读量1.9k

点赞数 19

分类专栏：大模型 python 文章标签： gpt 爬虫

于 2024-01-24 07:00:00 首次发布

本文链接：https://blog.csdn.net/Attitude93/article/details/135720641

版权

大模型同时被 2 个专栏收录

120 篇文章 120 订阅

订阅专栏

python

40 篇文章 6 订阅

订阅专栏

文章目录

- 1. 详细操作步骤
- 2. 总结

我的爬虫背景：基本小白，只知道网页的代码大概长啥样，但是css之类的完全不懂。在这样的背景下，我使用GPT帮我完成了爬虫程序。所以本文比较适合爬虫小白。大神请绕道 ~

下面来看操作步骤。以 GitHub的 Trending页面（https://github.com/trending）为例，我们的目标是爬取出Trending列表中的项目名称、url、简介、start数等信息。
在这里插入图片描述

1. 详细操作步骤

（1）打开网页，F12快捷键打开网页调试界面，可以看到网页的元素

在这里插入图片描述

（2）如上图，在调试窗口，选“元素”选项卡，可以看到页面元素
（3）点击调试窗口左上角带小箭头的那个图标，点击后在左侧页面中鼠标停留的地方会捕捉当前位置的元素。
（4）如图中我们选择一个仓库的信息，可以在右侧对应看到这个仓库信息对用的元素代码是 Box-row。这就是与我们想要的数据相关的信息。
（5）给大模型提示时，我们选取两个Box-row元素就可以。在调试窗口中元素上右键 —> 复制 —> 复制元素，粘贴到本地一个新建的 .html 文件中。

为什么要用.html文件粘贴？因为vscode打开后，在OUTLINE中可以看到结构。

在这里插入图片描述

（6）可以看到全部复制下来后，元素非常多，给大模型时没必要这么多，一是给这么多的元素也会超出大模型的token限制，二是给很多没用的元素会干扰大模型给出正确答案。我们通过下面的代码对Html内容进行精简（不用懂原理，直接用就行，通用的，这个代码的作用是挑选出Html中的css元素，用css元素足以定位html里的元素）

from bs4 import BeautifulSoup

with open("D:\GitHub\MyMetaGPT\ddd.html") as f: ## 这里改成你粘贴下来的元素的html文件
    html = f.read()

soup = BeautifulSoup(html, "html.parser")
for i in soup.find_all(True):
    for name in list(i.attrs):
        if i[name] and name not in ["class"]:
            del i[name]

for i in soup.find_all(["svg", "img", "video", "audio"]):
    i.decompose()

with open("D:\GitHub\MyMetaGPT\ddd_after.html", "w") as f: ## 这里改成你想要的输出文件，可以与上面处理的html文件相同
    f.write(str(soup))

经过以上代码瘦身后，原本粘贴下来的html元素由600多行变成了200多行。看下内容，确实精简了不少。
在这里插入图片描述

（7）有了数据，就可以问大模型了。Prompt如下：

你是一个精通python的爬虫工程师，需要使用aiohttp爬取https://github.com/trending，然后用BeautifulSoup解析出榜单中的几个字段：仓库名，仓库对应的url，仓库的描述，star数、所对应的语言类型、今日star数
---
{你的网页数据}

运气好的话大模型会给出正确代码。但99%都属于运气不好的，需要不断引导大模型修正代码。下面是我的对话过程（字数太多，就不贴在本文中了，直接上链接，感兴趣的可以参考下）。

https://chat.openai.com/share/f9023b18-f18a-404a-8f72-820f124aca05

（8）大功告成，我们的爬虫程序就写好了。看下最终代码和结果。

完整爬虫代码

import aiohttp
import asyncio
from bs4 import BeautifulSoup

async def fetch_github_trending():
    url = 'https://github.com/trending'
    async with aiohttp.ClientSession() as session:
        async with session.get(url) as response:
            return await response.text()

def parse_github_trending(html):
    soup = BeautifulSoup(html, 'html.parser')
    articles = soup.find_all('article', class_='Box-row')

    for article in articles:
        repo_name = article.find('h2').find('a').text.strip()
        repo_url = 'https://github.com' + article.find('h2').find('a')['href']

        description_element = article.find('p')
        repo_description = description_element.text.strip() if description_element else 'N/A'

        star_count = article.find_all('a', class_='Link--muted')[0].text.strip().replace(',', '')

        language_type_element = article.find('span', class_='repo-language-color')
        language_type = language_type_element.find_next('span').text.strip() if language_type_element else 'N/A'

        # Get today's star count using a more reliable method
        today_star_element = article.find('span', class_='float-sm-right')
        today_star_count = today_star_element.text.strip().split()[0] if today_star_element else 'N/A'

        print(f"仓库名: {repo_name}")
        print(f"仓库URL: {repo_url}")
        print(f"仓库描述: {repo_description}")
        print(f"Star数: {star_count}")
        print(f"语言类型: {language_type}")
        print(f"今日Star数: {today_star_count}")
        print("-" * 50)

async def main():
    html = await fetch_github_trending()
    parse_github_trending(html)

if __name__ == '__main__':
    asyncio.run(main())