#网页抓取

gpt-automated-web-scraper

AI Web Scraper是一款由AI驱动的网页抓取工具，支持用户根据需求从HTML源中提取数据。工具的主要功能包括生成和执行抓取代码，并支持URL或本地文件路径作为数据源，为用户提供灵活的选择。该项目需要Python和OpenAI GPT-4 API密钥。安装步骤包括克隆项目仓库、安装依赖包并设置API密钥。使用时可通过命令行参数指定抓取源、源类型和目标字符串。此项目采用MIT许可证，用户可自由修改和使用。

blackmaria

Black Maria是一个用于通过自然语言进行网页抓取的Python库。用户只需导出OPEN_AI_KEY环境变量并安装blackmaria库，即可开始使用。通过guardrails提供详细指令，获取针对特定网页的结构化数据，适合开发者和数据分析师。

trafilatura

Trafilatura是一款先进的Python包及命令行工具，专为简化网页文本收集和处理设计，涵盖网页抓取、下载、解析和关键内容提取等功能。无需数据库支持，该工具支持输出多种格式，如TXT、CSV和JSON，具备并行处理、高效爬行和智能URL管理功能。广泛应用于自然语言处理、计算社会科学及信息安全领域。活跃的开源社区及定期更新使其在文本提取领域表现优异，效率和准确度俱佳。

ha-multiscrape

HA Multiscrape是一个Home Assistant自定义组件,能够从单个HTTP请求中抓取多个数据字段。它基于Rest和Scrape传感器,使用CSS选择器提取数据,并将结果作为独立传感器呈现。该组件提供灵活配置,包括表单提交和错误处理等功能,可满足复杂的网页数据抓取需求。

flyscrape

flyscrape是一款开源的命令行网页数据采集工具，专为非专业程序员设计。它提供jQuery风格的数据提取、JavaScript脚本支持、系统cookie访问和浏览器模式渲染等功能。作为单一可执行文件，flyscrape配置简便，可精准提取网站数据。此外，它还支持多URL采集、分页跟踪和代理设置等高级特性，是一款兼具简易性和功能性的网页数据采集解决方案。

google-news-scraper

google-news-scraper是一个轻量级Node.js包，用于抓取Google新闻文章数据。通过传入关键词或短语，可获取JSON格式的新闻文章数组。支持自定义搜索、时间范围筛选和文章内容获取，为新闻数据采集提供灵活高效的解决方案。该工具易于使用，适合需要快速获取新闻信息的开发项目。

Browse AI

Browse AI提供无代码网站数据抓取和监控服务。用户可在2分钟内训练机器人,从任意网站提取数据、监控变化并转化为API。支持数据提取、定时监控、预建机器人等功能,可集成7000多个应用。适用于市场研究、竞争分析、潜在客户生成等场景,受到37万多个用户信赖。操作简单,功能强大,是获取网络数据的理想工具。

Webscrape AI

Webscrape AI是一款智能网页数据采集工具，无需编程技能即可使用。用户只需输入目标URL和所需数据项，AI爬虫便能自动完成数据采集。该工具具有高精度、高效率、可定制化和成本效益等优势，适合各类企业使用。Webscrape AI提供基础版、专业版和批量版等多种订阅方案，是一个基于SaaS模式的自动化数据采集解决方案。

scrapeghost

scrapeghost是基于OpenAI GPT模型建立的实验性库，专为简化和优化Web抓取而设计。该库以GPT为主要执行平台，并辅以一系列特性如数据结构自定义、高效HTML处理和成本控制等，以提高抓取效率并降低操作难度。