Scraperr: selbstgehostetes Tool zum Scrapen von Webdaten

Allgemeine Einführung

Scraperr ist ein selbstgehostetes Tool zum Scrapen von Webdaten, mit dem Sie XPath-Elemente zum Scrapen von Webdaten angeben können. Benutzer übermitteln eine URL und die entsprechenden Crawling-Elemente, und die Ergebnisse werden in einer Tabelle angezeigt, die als Excel-Datei heruntergeladen werden kann.Scraperr unterstützt Benutzeranmeldung, um Crawling-Aufgaben zu verwalten, und bietet Protokollanzeige und Statistiken.

Funktionsliste

• URLs für Web-Crawling anmelden und in die Warteschlange stellen
• Hinzufügen und Verwalten von Crawl-Elementen mit XPath
• Crawlen aller Seiten unter demselben Domainnamen
• Hinzufügen benutzerdefinierter JSON-Header zum Senden von Anfragen
• Anzeige der Ergebnisse der erfassten Daten
• Laden Sie die CSV-Datei mit den Ergebnissen herunter
• Wiederholen Sie die Erfassungsaufgabe
• Anzeigen des Status von Aufgaben in der Warteschlange
• Setzen von Lesezeichen und Anzeigen von mit Lesezeichen versehenen Aufgaben
• Benutzeranmeldung/-registrierung zur Organisation von Aufgaben
• Anwendungsprotokolle anzeigen
• Aufgabenstatistik anzeigen
• KI-Integration zur Unterstützung der Einbeziehung von Crawl-Ergebnissen im Rahmen eines Dialogs

Hilfe verwenden

Einbauverfahren

1. Klon-Lagerhaus:

   git clone https://github.com/jaypyles/scraperr.git
   

2. Setzen von Umgebungsvariablen und Tags: In der docker-compose.yml Datei, um zum Beispiel Umgebungsvariablen und Bezeichnungen zu setzen:

   scraperr:
   labels:
   - "traefik.enable=true"
   - "traefik.http.routers.scraperr.rule=Host(`localhost`)"
   - "traefik.http.routers.scraperr.entrypoints=web"
   scraperr_api:
   environment:
   - LOG_LEVEL=INFO
   - MONGODB_URI=mongodb://root:example@webscrape-mongo:27017
   - SECRET_KEY=your_secret_key
   - ALGORITHM=HS256
   - ACCESS_TOKEN_EXPIRE_MINUTES=600
   

3. Starten Sie den Dienst:

   docker-compose up -d
   

Verwendungsprozess

1. URL zum Crawlen einreichen::
   • Nachdem Sie sich bei Scraperr angemeldet haben, gehen Sie auf die Seite Scraping-Aufgaben.
   • Geben Sie die zu crawlende URL und das entsprechende XPath-Element ein.
   • Nachdem Sie eine Aufgabe eingereicht haben, stellt das System sie automatisch in die Warteschlange und beginnt, sie zu erfassen.
2. Verwalten von Crawl-Elementen::
   • Auf der Crawl-Aufgabenseite können Sie XPath-Elemente hinzufügen, bearbeiten oder löschen.
   • Unterstützt das Crawlen aller Seiten unter derselben Domain.
3. Crawl-Ergebnisse anzeigen::
   • Sobald die Erfassung abgeschlossen ist, werden die Ergebnisse in einer Tabelle angezeigt.
   • Der Benutzer kann eine CSV-Datei mit den Ergebnissen herunterladen oder die Aufgabe erneut ausführen.
4. Verwaltung der Aufgaben::
   • Die Benutzer können den Status von Aufgaben in der Warteschlange überprüfen, Lesezeichen setzen und mit Lesezeichen versehene Aufgaben anzeigen.
   • Bietet die Ansicht Task-Statistiken, in der Statistiken zu den laufenden Tasks angezeigt werden.
5. Log-Ansicht::
   • Auf der Seite Anwendungsprotokoll können die Benutzer das Systemprotokoll mit detaillierten Informationen über die Erfassungsaufgabe einsehen.
6. KI-Integration::
   • Unterstützung für die Einbindung von Erfassungsergebnissen in Dialogkontexte, derzeit unterstützt Ollama und OpenAI.