入门 Crawl4AI

欢迎使用 Crawl4AI，一个开源的 LLM 友好型网页爬虫和抓取工具。在本教程中，你将学会：

1. 运行你的 第一个爬取任务，并使用最小化配置。
2. 生成 Markdown 输出（并了解内容过滤器如何影响其结果）。
3. 体验一个简单的 基于 CSS 的提取 方法。
4. 了解 基于 LLM 的提取（包括开源和闭源模型选项）。
5. 爬取一个 动态 页面，该页面通过 JavaScript 加载内容。

1. 介绍

Crawl4AI 提供以下功能：

• 一个异步爬虫，AsyncWebCrawler。
• 通过 BrowserConfig 和 CrawlerRunConfig 可配置浏览器和运行设置。
• 通过 DefaultMarkdownGenerator 自动将 HTML 转换为 Markdown（支持可选过滤器）。
• 多种提取策略（基于 LLM 或 “传统” CSS/XPath）。

在本指南结束时，你将完成基本爬取、生成 Markdown、尝试两种提取策略，并爬取一个使用“加载更多”按钮或 JavaScript 更新的动态页面。

2. 你的第一个爬取任务

下面是一个最小化的 Python 脚本，创建了 AsyncWebCrawler，获取网页并打印前 300 个字符的 Markdown 输出：

import asyncio
from crawl4ai import AsyncWebCrawler
async def main():
    async with AsyncWebCrawler() as crawler:
        result = await crawler.arun("https://example.com")
        print(result.markdown[:300])  # 打印前 300 个字符
if __name__ == "__main__":
    asyncio.run(main())

发生了什么？

• AsyncWebCrawler 启动了一个无头浏览器（默认使用 Chromium）。
• 它获取 https://example.com。
• Crawl4AI 自动将 HTML 转换为 Markdown。

你现在已经成功运行了一个简单的爬取任务！

3. 基础配置（轻量介绍）

Crawl4AI 的爬虫可以通过两个主要类进行高度自定义：

1. BrowserConfig：控制浏览器行为（无头模式或带 UI，用户代理，JavaScript 开关等）。
2. CrawlerRunConfig：控制爬取运行方式（缓存、提取、超时、钩子等）。

下面是一个简单的使用示例：

import asyncio
from crawl4ai import AsyncWebCrawler, BrowserConfig, CrawlerRunConfig, CacheMode
async def main():
    browser_conf = BrowserConfig(headless=True)  # 设为 False 以观察浏览器
    run_conf = CrawlerRunConfig(
        cache_mode=CacheMode.BYPASS
    )
    async with AsyncWebCrawler(config=browser_conf) as crawler:
        result = await crawler.arun(
            url="https://example.com",
            config=run_conf
        )
        print(result.markdown)
if __name__ == "__main__":
    asyncio.run(main())

重要：默认情况下，缓存模式设置为 CacheMode.ENABLED。如果需要获取最新内容，请将其设置为 CacheMode.BYPASS。

在后续教程中，我们将探索更高级的配置（如启用代理、PDF 输出、多标签页会话等）。目前，你只需知道如何传递这些对象来管理爬取任务。

4. 生成 Markdown 输出

Crawl4AI 默认会自动将每个爬取的页面转换为 Markdown。但具体的输出取决于你是否指定了 Markdown 生成器 或 内容过滤器。

• result.markdown： 直接的 HTML 转 Markdown 转换结果。
• result.markdown.fit_markdown： 应用了任何已配置 内容过滤器（如 PruningContentFilter）后的 Markdown。

示例：使用 DefaultMarkdownGenerator 进行过滤

from crawl4ai import AsyncWebCrawler, CrawlerRunConfig
from crawl4ai.content_filter_strategy import PruningContentFilter
from crawl4ai.markdown_generation_strategy import DefaultMarkdownGenerator
md_generator = DefaultMarkdownGenerator(
    content_filter=PruningContentFilter(threshold=0.4, threshold_type="fixed")
)
config = CrawlerRunConfig(
    cache_mode=CacheMode.BYPASS,
    markdown_generator=md_generator
)
async with AsyncWebCrawler() as crawler:
    result = await crawler.arun("https://news.ycombinator.com", config=config)
    print("原始 Markdown 长度:", len(result.markdown.raw_markdown))
    print("过滤后 Markdown 长度:", len(result.markdown.fit_markdown))

注意：如果 不 指定内容过滤器或 Markdown 生成器，你通常只能看到原始 Markdown。PruningContentFilter 可能会增加 50ms 处理时间。

5. 简单数据提取（基于 CSS）

Crawl4AI 允许使用 CSS 或 XPath 选择器提取结构化数据（JSON）。以下是一个基于 CSS 的最小示例：

import asyncio
import json
from crawl4ai import AsyncWebCrawler, CrawlerRunConfig, CacheMode
from crawl4ai.extraction_strategy import JsonCssExtractionStrategy
async def main():
    schema = {
        "name": "Example Items",
        "baseSelector": "div.item",
        "fields": [
            {"name": "title", "selector": "h2", "type": "text"},
            {"name": "link", "selector": "a", "type": "attribute", "attribute": "href"}
        ]
    }
    raw_html = "<div class='item'><h2>Item 1</h2><a href='https://example.com/item1'>Link 1</a></div>"
    async with AsyncWebCrawler() as crawler:
        result = await crawler.arun(
            url="raw://" + raw_html,
            config=CrawlerRunConfig(
                cache_mode=CacheMode.BYPASS,
                extraction_strategy=JsonCssExtractionStrategy(schema)
            )
        )
        data = json.loads(result.extracted_content)
        print(data)
if __name__ == "__main__":
    asyncio.run(main())

为什么有用？

• 适用于重复的页面结构（如商品列表、文章等）。
• 无需 AI，节省 API 成本。
• 爬虫返回 JSON 字符串，方便解析或存储。