Condivisione della tecnologia

한어Русский языкEnglishFrançaisIndonesianSanskrit日本語DeutschPortuguêsΕλληνικάespañolItalianoSuomalainenLatina

Per la mia pluriennale esperienza nel settore dei crawler, la programmazione di vari codici di domanda è davvero un lavoro molto laborioso e meticoloso. Con la popolarità dell'intelligenza artificiale, sto pensando se sia possibile acquisire e generare automaticamente il contenuto testuale desiderato tramite l'automazione dell'intelligenza artificiale programmi. La premessa è che intendo completarlo combinando tecnologia crawler (come Scrapy) e modelli di intelligenza artificiale generativa (come GPT-4).

Di seguito sono riportati i miei pensieri sulla classe crawler AIGC, che mostra come creare un'applicazione crawler AIGC.

1. Installare le dipendenze necessarie

Innanzitutto, assicurati di avere installate le librerie client API di Scrapy e OpenAI.

pip install scrapy openai
1

2. Configura l'API OpenAI

Devi avere una chiave API OpenAI e configurare le variabili di ambiente o utilizzarla direttamente nel tuo codice.

3. Crea un crawler Scrapy

Di seguito è riportato un esempio di un crawler Scrapy di base che analizza i contenuti e genera nuovi contenuti.

my_spider.py

import scrapy
import openai

class AIGCSpider(scrapy.Spider):
    name = 'aigc_spider'
    start_urls = ['http://example.com']

    def __init__(self, *args, **kwargs):
        super(AIGCSpider, self).__init__(*args, **kwargs)
        openai.api_key = 'your-openai-api-key'  # 替换为你的OpenAI API密钥

    def parse(self, response):
        # 提取网页内容
        content = response.xpath('//body//text()').getall()
        content = ' '.join(content).strip()

        # 使用OpenAI生成新内容
        generated_content = self.generate_content(content)

        # 处理生成的内容，如保存到文件
        with open('generated_content.txt', 'a') as f:
            f.write(generated_content + 'n')

        self.log(f"Generated content for {response.url}")

    def generate_content(self, prompt):
        try:
            response = openai.Completion.create(
                engine="davinci-codex",
                prompt=prompt,
                max_tokens=150
            )
            generated_text = response.choices[0].text.strip()
            return generated_text
        except Exception as e:
            self.log(f"Error generating content: {e}")
            return ""
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37

4. Configura il progetto Scrapy

Assicurati chesettings.pyConfigura le impostazioni appropriate come USER_AGENT e ritardo del download.

settings.py

BOT_NAME = 'aigc_bot'

SPIDER_MODULES = ['aigc_bot.spiders']
NEWSPIDER_MODULE = 'aigc_bot.spiders'

# 遵守robots.txt规则
ROBOTSTXT_OBEY = True

# 用户代理
USER_AGENT = 'aigc_bot (+http://www.yourdomain.com)'

# 下载延迟
DOWNLOAD_DELAY = 1
1
2
3
4
5
6
7
8
9
10
11
12
13

5. Esegui il crawler

Esegui il crawler Scrapy tramite riga di comando:

scrapy crawl aigc_spider
1

6. Funzioni estese

Gestisci più pagine

Rivedereparsemetodo, consentendogli di gestire più pagine ed eseguire la scansione approfondita.

def parse(self, response):
    # 提取网页内容
    content = response.xpath('//body//text()').getall()
    content = ' '.join(content).strip()

    # 使用OpenAI生成新内容
    generated_content = self.generate_content(content)

    # 处理生成的内容，如保存到文件
    with open('generated_content.txt', 'a') as f:
        f.write(f"URL: {response.url}n")
        f.write(generated_content + 'nn')

    self.log(f"Generated content for {response.url}")

    # 跟踪所有链接
    for href in response.css('a::attr(href)').get():
        yield response.follow(href, self.parse)
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18

Aggiungi altre impostazioni di creazione

Regola i parametri del contenuto generato, come l'aggiuntatemperatureEtop_pparametri per generare contenuti più diversificati.

def generate_content(self, prompt):
    try:
        response = openai.Completion.create(
            engine="davinci-codex",
            prompt=prompt,
            max_tokens=150,
            temperature=0.7,
            top_p=0.9
        )
        generated_text = response.choices[0].text.strip()
        return generated_text
    except Exception as e:
        self.log(f"Error generating content: {e}")
        return ""
1
2
3
4
5
6
7
8
9
10
11
12
13
14

Quanto sopra è come posso creare un'applicazione crawler AIGC combinando Scrapy e l'API OpenAI per eseguire la scansione automatica del contenuto del sito Web e generare nuovi contenuti. Questo metodo è adatto per scenari applicativi che richiedono grandi quantità di generazione di contenuti, come creazione di contenuti, miglioramento dei dati, ecc. Nelle applicazioni pratiche, potremmo eventualmente aver bisogno di un controllo e di un'ottimizzazione più raffinati della logica di scansione e generazione per soddisfare le esigenze di vari tipi di crawler.