Crawl4AI: ferramenta de rastreamento assíncrono da Web de código aberto para extrair dados estruturados sem LLM

Introdução geral

O Crawl4AI é uma ferramenta de rastreamento assíncrono da Web de código aberto projetada para modelos de linguagem grande (LLMs) e aplicativos de inteligência artificial (IA). Ele simplifica o processo de rastreamento da Web e de extração de dados, oferece suporte ao rastreamento eficiente da Web e fornece formatos de saída compatíveis com LLMs, como JSON, HTML limpo e Markdown. O Crawl4AI oferece suporte ao rastreamento de vários URLs ao mesmo tempo, é totalmente gratuito e de código aberto e é adequado para uma variedade de necessidades de rastreamento de dados.

Documentação oficial de ajuda

Experiência on-line

Lista de funções

• Arquitetura assíncrona: processamento eficiente de várias páginas da Web, rastreamento rápido de dados
• Vários formatos de saída: suporte a JSON, HTML, Markdown
• Rastreamento de vários URLs: rastreie várias páginas da Web ao mesmo tempo
• Extração de tags de mídia: extraia tags de imagem, áudio e vídeo
• Extração de links: extrai todos os links externos e internos
• Extração de metadados: extração de metadados de uma página
• Ganchos personalizados: suporte para autenticação, cabeçalhos de solicitação e modificações de página
• Personalização do agente do usuário: personalização dos agentes do usuário
• Captura de tela da página: Captura de tela da página de rastreamento
• Executar JavaScript personalizado: Executar vários JavaScripts personalizados antes do rastreamento
• Suporte a proxy: aprimorando a privacidade e o acesso
• Gerenciamento de sessões: como lidar com cenários complexos de rastreamento de várias páginas

Usando a Ajuda

Processo de instalação

O Crawl4AI oferece opções de instalação flexíveis para uma variedade de cenários de uso. Você pode instalá-lo como um pacote Python ou usar o Docker.

Instalação com pip

1. Instalação básica

   pip install crawl4ai
   

   Isso instalará a versão assíncrona do Crawl4AI por padrão, usando o Playwright para rastreamento da Web.

2. Instalação manual do Playwright (se necessário)

   playwright install
   

   ou

   python -m playwright install chromium
   

Instalação com o Docker

1. Extração de uma imagem do Docker

   docker pull unclecode/crawl4ai
   

2. Execução de contêineres do Docker

   docker run -it unclecode/crawl4ai
   

Diretrizes para uso

1. Uso básico

   from crawl4ai import AsyncWebCrawler
   
   crawler = AsyncWebCrawler()
   results = crawler.crawl(["https://example.com"])
   print(results)
   

2. Configurações personalizadas

   from crawl4ai import AsyncWebCrawler
   
   crawler = AsyncWebCrawler(
       user_agent="CustomUserAgent",
       headers={"Authorization": "Bearer token"},
       custom_js=["console.log('Hello, world!')"]
   )
   results = crawler.crawl(["https://example.com"])
   print(results)
   

3. Extração de dados específicos

   from crawl4ai import AsyncWebCrawler
   
   crawler = AsyncWebCrawler()
   results = crawler.crawl(["https://example.com"], extract_media=True, extract_links=True)
   print(results)
   

4. Gerenciamento de sessões

   from crawl4ai import AsyncWebCrawler
   
   crawler = AsyncWebCrawler()
   session = crawler.create_session()
   session_results = session.crawl(["https://example.com"])
   print(session_results)
   

O Crawl4AI oferece um rico conjunto de recursos e opções de configuração flexíveis para uma variedade de necessidades de rastreamento da Web e de dados. Com guias detalhados de instalação e uso, os usuários podem começar facilmente e aproveitar ao máximo os recursos avançados da ferramenta.