安装 & 设置(2023 版)

1. 基础安装

  1. pip install crawl4ai

这将安装 核心 Crawl4AI 库以及必要的依赖项。不会包含高级功能(如 transformers 或 PyTorch)。

2. 初始化设置 & 诊断

2.1 运行设置命令

安装后,执行:

  1. crawl4ai-setup

它会做什么?

  • 安装或更新所需的 Playwright 浏览器(Chromium、Firefox 等)
  • 进行操作系统级别的检查(例如,在 Linux 上检查缺失的库)
  • 确保你的环境已准备好进行爬取

2.2 诊断

你可以选择运行 诊断 命令,确认一切正常运行:

  1. crawl4ai-doctor

这个命令会尝试:

  • 检查 Python 版本兼容性
  • 验证 Playwright 是否安装成功
  • 检查环境变量或库冲突

如果出现问题,按照提示操作(例如安装额外的系统包),然后重新运行 crawl4ai-setup


3. 验证安装:执行一次简单爬取(如果已运行 crawl4ai-doctor 可跳过)

下面是一个最小化的 Python 示例,展示 基本 爬取过程。示例中使用了 BrowserConfigCrawlerRunConfig 以增强可读性,但没有传入自定义配置:

  1. import asyncio
  2. from crawl4ai import AsyncWebCrawler, BrowserConfig, CrawlerRunConfig
  3. async def main():
  4. async with AsyncWebCrawler() as crawler:
  5. result = await crawler.arun(
  6. url="https://www.example.com",
  7. )
  8. print(result.markdown[:300]) # 显示提取文本的前 300 个字符
  9. if __name__ == "__main__":
  10. asyncio.run(main())

预期 结果:

  • 无头浏览器会加载 example.com
  • Crawl4AI 会返回约 300 个字符的 markdown 文本

如果出现错误,重新运行 crawl4ai-doctor 或手动确保 Playwright 已正确安装。


4. 高级安装(可选)

警告仅当你确实需要时才安装。这些依赖项较大,会显著增加磁盘占用和内存消耗。

4.1 安装 Torch、Transformers 或全部组件

  • 文本聚类(Torch)

    1. pip install crawl4ai[torch]
    2. crawl4ai-setup

    安装基于 PyTorch 的功能(例如余弦相似度或高级语义分块)。

  • Transformers

    1. pip install crawl4ai[transformer]
    2. crawl4ai-setup

    添加基于 Hugging Face 的摘要或生成功能。

  • 所有功能

    1. pip install crawl4ai[all]
    2. crawl4ai-setup

(可选)预下载模型

  1. crawl4ai-download-models

这个步骤会将大型模型缓存到本地。仅当你的工作流需要它们时才执行


5. Docker(实验性)

我们提供了一个 临时 的 Docker 方案用于测试。它并不稳定,未来版本可能会失效。我们计划在 2025 年 Q1 进行重大 Docker 重构。如果你仍然想尝试:

  1. docker pull unclecode/crawl4ai:basic
  2. docker run -p 11235:11235 unclecode/crawl4ai:basic

然后,你可以向 http://localhost:11235/crawl 发送 POST 请求来执行爬取任务。
不建议用于生产环境,直到我们的新 Docker 方案正式发布(预计 2025 年 1 月或 2 月)。


6. 本地服务器模式(旧版)

一些旧文档提到可以将 Crawl4AI 作为本地服务器运行。
这种方式已经被 部分取代,目前有新的 Docker 原型以及即将发布的稳定版服务器。你可以尝试,但未来可能会有重大变更。官方的本地服务器指南将在新的 Docker 架构完成后发布。