Crawl4AI 简介
Crawl4AI[1] 是一个开源的、为大型语言模型(LLMs)和AI应用设计的网页爬虫和数据提取工具。
它简化了网页爬取和数据提取的过程,使其更加易于访问和使用。
项目特点
主要特点
-
完全免费且开源
-
支持LLM友好的输出格式(JSON、清洁的HTML、markdown)
-
支持同时爬取多个URL
-
提取并返回所有媒体标签(图片、音频和视频)
-
提取所有外部和内部链接
-
从页面提取元数据
-
自定义钩子用于认证、头部和爬取前的页面修改
-
用户代理自定义
-
截取页面屏幕截图
-
执行多个自定义JavaScript脚本
-
多种分块策略:基于主题、正则表达式、句子等
-
高级提取策略:余弦聚类、LLM等
-
支持CSS选择器
-
传递指令/关键词以优化提取
使用场景
Crawl4AI适用于需要从网页中快速提取大量数据的场景,如数据科学家、研究人员、开发者和AI应用开发者。
项目使用
快速开始
from crawl4ai import WebCrawler
# 创建WebCrawler实例
crawler = WebCrawler()
# 预热爬虫(加载必要的模型)
crawler.warmup()
# 在URL上运行爬虫
result = crawler.run(url="https://www.nbcnews.com/business")
# 打印提取的内容
print(result.markdown)
安装方法
使用pip
virtualenv venv
source venv/bin/activate
pip install "crawl4ai @ git+https://github.com/unclecode/crawl4ai.git"
使用Docker
docker build -t crawl4ai .
docker run -d -p 8000:80 crawl4ai
使用Docker Hub
docker pull unclecode/crawl4ai:latest
docker run -d -p 8000:80 unclecode/crawl4ai:latest
文档和资源
-
官方文档网站[2]
-
官方网站[3]
-
Twitter[4]
注:本文内容仅供参考,具体项目特性请参照官方 GitHub 页面的最新说明。
欢迎关注&点赞&在看,感谢你的阅读~
资源列表
[1]
Github地址: https://github.com/unclecode/crawl4ai
[2]
官方文档网站: https://crawl4ai.com/mkdocs/
[3]
官方网站: https://crawl4ai.com
[4]
Twitter: https://twitter.com/unclecode