Ferramenta de Raspagem de Sites Scrapfly
A ScrapflyScrapeWebsiteTool
aproveita a API de web scraping da Scrapfly para extrair conteúdo de sites em diversos formatos.
ScrapflyScrapeWebsiteTool
Descrição
A ScrapflyScrapeWebsiteTool
foi desenvolvida para aproveitar a API de web scraping da Scrapfly para extrair conteúdo de sites. Esta ferramenta oferece recursos avançados de raspagem com suporte a navegador headless, proxies e recursos de bypass de anti-bot. Permite extrair dados de páginas web em vários formatos, incluindo HTML bruto, markdown e texto simples, sendo ideal para uma ampla variedade de tarefas de raspagem de sites.
Instalação
Para utilizar esta ferramenta, é necessário instalar o Scrapfly SDK:
Você também precisará obter uma chave de API da Scrapfly registrando-se em scrapfly.io/register.
Passos para Começar
Para usar a ScrapflyScrapeWebsiteTool
de forma eficaz, siga estas etapas:
- Instale as Dependências: Instale o Scrapfly SDK usando o comando acima.
- Obtenha a Chave de API: Cadastre-se na Scrapfly para obter sua chave de API.
- Inicialize a Ferramenta: Crie uma instância da ferramenta com sua chave de API.
- Configure os Parâmetros de Raspagem: Personalize os parâmetros de raspagem conforme suas necessidades.
Exemplo
O exemplo a seguir demonstra como usar a ScrapflyScrapeWebsiteTool
para extrair conteúdo de um site:
Você também pode personalizar os parâmetros de raspagem:
Parâmetros
A ScrapflyScrapeWebsiteTool
aceita os seguintes parâmetros:
Parâmetros de Inicialização
- api_key: Obrigatório. Sua chave de API da Scrapfly.
Parâmetros de Execução
- url: Obrigatório. A URL do site a ser raspado.
- scrape_format: Opcional. O formato em que o conteúdo da página será extraído. As opções são “raw” (HTML), “markdown” ou “text”. O padrão é “markdown”.
- scrape_config: Opcional. Um dicionário contendo opções adicionais de configuração de raspagem da Scrapfly.
- ignore_scrape_failures: Opcional. Determina se as falhas de raspagem devem ser ignoradas. Se definido como
True
, a ferramenta irá retornarNone
ao invés de lançar uma exceção caso ocorra uma falha na raspagem.
Opções de Configuração Scrapfly
O parâmetro scrape_config
permite personalizar o comportamento da raspagem com as seguintes opções:
- asp: Ativa o bypass de proteção anti-scraping.
- render_js: Ativa a renderização de JavaScript com um navegador headless na nuvem.
- proxy_pool: Seleciona um pool de proxies (por exemplo, “public_residential_pool”, “datacenter”).
- country: Seleciona a localização do proxy (por exemplo, “us”, “uk”).
- auto_scroll: Rola automaticamente a página para carregar conteúdo lazy-loaded.
- js: Executa código JavaScript personalizado via o navegador headless.
Para uma lista completa de opções de configuração, consulte a documentação da API Scrapfly.
Uso
Ao usar a ScrapflyScrapeWebsiteTool
com um agente, o agente deverá fornecer a URL do site a ser raspado e pode opcionalmente especificar o formato e opções adicionais de configuração:
Para um uso mais avançado com configurações personalizadas:
Tratamento de Erros
Por padrão, a ScrapflyScrapeWebsiteTool
irá lançar uma exceção se a raspagem falhar. Os agentes podem ser instruídos a tratar falhas de forma mais flexível especificando o parâmetro ignore_scrape_failures
:
Detalhes de Implementação
A ScrapflyScrapeWebsiteTool
utiliza o Scrapfly SDK para interagir com a API Scrapfly:
Conclusão
A ScrapflyScrapeWebsiteTool
oferece uma forma poderosa de extrair conteúdo de sites usando as avançadas capacidades de web scraping da Scrapfly. Com recursos como suporte a navegador headless, proxies e bypass de anti-bot, ela consegue lidar com sites complexos e extrair conteúdo em diversos formatos. Esta ferramenta é especialmente útil em tarefas de extração de dados, monitoramento de conteúdo e pesquisa, onde a raspagem confiável de sites é necessária.