LangChain 非常强大的一点就是封装了非常多强大的工具可以直接使用。降低了使用者的学习成本。比如数据网页爬取。

在其官方文档-网页爬取中，也有非常好的示例。

应用场景

• 信息爬取。

• RAG 信息检索。

实践应用

需求说明

• 从 ceshiren 网站中获取每个帖子的名称以及其对应的url信息。

• ceshiren论坛地址：https://ceshiren.com/

实现思路

对应源码

# 定义大模型from langchain_openai import ChatOpenAIllm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo-0613")
# 定义提取方法def extract(content: str, schema: dict):    from langchain.chains import create_extraction_chain    return create_extraction_chain(schema=schema, llm=llm).invoke(content)
import pprintfrom langchain_text_splitters import RecursiveCharacterTextSplitterdef scrape_with_playwright(urls, schema):    # 加载数据    loader = AsyncChromiumLoader(urls)    docs = loader.load()    # 数据转换    bs_transformer = BeautifulSoupTransformer()    # 提取其中的span标签    docs_transformed = bs_transformer.transform_documents(        docs, tags_to_extract=["span"]    )    # 数据切分    splitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder(    chunk_size=1000, chunk_overlap=0)    splits = splitter.split_documents(docs_transformed)    # 因为数据量太大，输入第一片数据使用，传入使用的架构    extracted_content = extract(schema=schema, content=splits[0].page_content)    pprint.pprint(extracted_content)    return extracted_content
urls = ["https://ceshiren.com/"]schema = {    "properties": {        "title": {"type": "string"},        "url": {"type": "string"},    },    "required": ["title", "url"],}extracted_content = scrape_with_playwright(urls, schema=schema)

总结

1. 了解网页爬取的实现思路以及相关技术。

2. 通过LangChain实现爬取测试人网页的标题和url。

推荐学习

人工智能测试开发训练营，为大家提供全方位的人工智能测试知识和技能培训。行业专家授课，实战驱动，并提供人工智能答疑福利。内容包含ChatGPT与私有大语言模型的多种应用，人工智能应用开发框架 LangChain，视觉与图像识别自动化测试，人工智能产品质量保障与测试，知识图谱与模型驱动测试，深度学习应用，带你一站式掌握人工智能测试开发必备核心技能，快速提升核心竞争力！