Qwen2.5-Coder-1.5B应用案例:快速生成网页爬虫代码实战

news2026/3/30 8:43:30
Qwen2.5-Coder-1.5B应用案例快速生成网页爬虫代码实战1. 引言为什么选择Qwen2.5-Coder生成爬虫代码在日常开发工作中网页爬虫是数据采集和分析的重要工具。传统编写爬虫代码需要开发者熟悉HTTP请求、HTML解析、反爬机制处理等多个技术点耗时且容易出错。Qwen2.5-Coder-1.5B作为专为代码生成优化的AI模型能够快速生成可运行的爬虫代码大幅提升开发效率。本文将展示如何利用Qwen2.5-Coder-1.5B模型通过简单的自然语言描述快速生成Python爬虫代码。您将学习到如何准备Qwen2.5-Coder-1.5B的开发环境编写有效的提示词(Prompt)来生成爬虫代码生成的代码解析与优化建议实际案例演示从电商网站抓取商品信息2. 环境准备与模型调用2.1 安装基础依赖首先确保您的Python环境版本在3.9以上然后安装必要的依赖包pip install transformers torch2.2 加载Qwen2.5-Coder-1.5B模型使用以下代码加载模型和分词器from transformers import AutoModelForCausalLM, AutoTokenizer model_name Qwen/Qwen2.5-Coder-1.5B tokenizer AutoTokenizer.from_pretrained(model_name) model AutoModelForCausalLM.from_pretrained( model_name, device_mapauto, torch_dtypeauto ).eval()3. 生成基础爬虫代码3.1 简单网页抓取示例让我们从最简单的需求开始抓取一个网页的标题和主要内容。prompt 请用Python编写一个爬虫使用requests和BeautifulSoup抓取网页的标题和正文内容。 要求处理HTTP错误和超时并输出结构化结果。 inputs tokenizer(prompt, return_tensorspt).to(model.device) outputs model.generate(**inputs, max_new_tokens512) print(tokenizer.decode(outputs[0], skip_special_tokensTrue))模型生成的代码可能如下import requests from bs4 import BeautifulSoup from urllib.parse import urlparse def scrape_webpage(url): try: headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 } response requests.get(url, headersheaders, timeout10) response.raise_for_status() soup BeautifulSoup(response.text, html.parser) result { url: url, title: soup.title.string if soup.title else None, content: soup.get_text(separator , stripTrue)[:500] ... } return result except requests.exceptions.RequestException as e: print(fError fetching {url}: {e}) return None # 使用示例 if __name__ __main__: webpage_data scrape_webpage(https://example.com) if webpage_data: print(webpage_data)3.2 代码解析与优化建议生成的代码已经具备基本功能我们可以进一步优化增加随机延迟避免被目标网站封禁添加代理支持应对IP限制更精细的内容提取使用CSS选择器优化后的版本import random import time from bs4 import BeautifulSoup import requests def enhanced_scraper(url, proxyNone): try: headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36, Accept-Language: en-US,en;q0.9 } proxies {http: proxy, https: proxy} if proxy else None # 随机延迟1-3秒 time.sleep(random.uniform(1, 3)) response requests.get(url, headersheaders, proxiesproxies, timeout15) response.raise_for_status() soup BeautifulSoup(response.text, html.parser) # 使用CSS选择器提取主要内容 main_content soup.select_one(main, .main-content, #content) or soup.body return { url: url, title: soup.title.string if soup.title else None, description: soup.find(meta, attrs{name: description})[content] if soup.find(meta, attrs{name: description}) else None, content: main_content.get_text(separator , stripTrue)[:1000] ... } except Exception as e: print(fError: {e}) return None4. 实战案例电商商品信息抓取4.1 生成电商爬虫代码让我们尝试更复杂的需求抓取电商网站的商品列表。ecommerce_prompt 请编写一个Python爬虫从电商网站(如淘宝、京东)抓取商品列表 包括商品名称、价格、销量、商家名称等信息。 需要考虑反爬机制使用随机User-Agent和请求延迟。 输出为JSON格式。 inputs tokenizer(ecommerce_prompt, return_tensorspt).to(model.device) outputs model.generate(**inputs, max_new_tokens768) print(tokenizer.decode(outputs[0], skip_special_tokensTrue))生成的代码可能包含以下关键部分import requests from bs4 import BeautifulSoup import json import random import time USER_AGENTS [ Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36, Mozilla/5.0 (Macintosh; Intel Mac OS X 10_15_7) AppleWebKit/605.1.15, Mozilla/5.0 (Linux; Android 10) AppleWebKit/537.36 ] def scrape_ecommerce(keyword, pages1): base_url https://search.jd.com/Search products [] for page in range(1, pages 1): params { keyword: keyword, page: page, s: (page - 1) * 30 1 } headers { User-Agent: random.choice(USER_AGENTS), Referer: https://www.jd.com/ } try: # 随机延迟避免被封 time.sleep(random.uniform(1, 3)) response requests.get(base_url, paramsparams, headersheaders, timeout10) response.raise_for_status() soup BeautifulSoup(response.text, html.parser) items soup.select(.gl-item) for item in items: product { name: item.select_one(.p-name em).get_text(stripTrue), price: item.select_one(.p-price i).get_text(stripTrue), shop: item.select_one(.p-shop a).get_text(stripTrue), comments: item.select_one(.p-commit a).get_text(stripTrue) } products.append(product) except Exception as e: print(fError on page {page}: {e}) continue return json.dumps(products, ensure_asciiFalse, indent2)4.2 处理动态内容与反爬机制现代电商网站大量使用JavaScript动态加载内容我们需要扩展爬虫能力from selenium import webdriver from selenium.webdriver.chrome.options import Options from selenium.webdriver.common.by import By from selenium.webdriver.support.ui import WebDriverWait from selenium.webdriver.support import expected_conditions as EC def scrape_dynamic_ecommerce(keyword): options Options() options.add_argument(--headless) options.add_argument(--disable-gpu) options.add_argument(fuser-agent{random.choice(USER_AGENTS)}) driver webdriver.Chrome(optionsoptions) driver.get(fhttps://search.jd.com/Search?keyword{keyword}) try: # 等待商品列表加载 WebDriverWait(driver, 10).until( EC.presence_of_element_located((By.CSS_SELECTOR, .gl-item)) ) # 模拟滚动加载更多 for _ in range(3): driver.execute_script(window.scrollTo(0, document.body.scrollHeight);) time.sleep(2) soup BeautifulSoup(driver.page_source, html.parser) items soup.select(.gl-item) products [] for item in items: try: products.append({ name: item.select_one(.p-name em).get_text(stripTrue), price: item.select_one(.p-price i).get_text(stripTrue), shop: item.select_one(.p-shop a).get_text(stripTrue) }) except: continue return products finally: driver.quit()5. 高级技巧与最佳实践5.1 提升爬虫稳定性的技巧请求头管理模拟真实浏览器行为headers { User-Agent: Mozilla/5.0 (Windows NT 10.0; Win64; x64), Accept: text/html,application/xhtmlxml, Accept-Language: en-US,en;q0.9, Referer: https://www.google.com/, DNT: 1 }代理轮换使用代理池避免IP封禁PROXY_POOL [http://proxy1:port, http://proxy2:port] def get_with_proxy(url): proxy random.choice(PROXY_POOL) try: return requests.get(url, proxies{http: proxy, https: proxy}, timeout10) except: return None异常处理完善的错误恢复机制def robust_request(url, max_retries3): for attempt in range(max_retries): try: response requests.get(url, timeout15) response.raise_for_status() return response except requests.exceptions.RequestException as e: print(fAttempt {attempt 1} failed: {e}) if attempt max_retries - 1: time.sleep(2 ** attempt) # 指数退避 else: raise5.2 数据存储方案将爬取的数据保存到文件或数据库import csv import sqlite3 # CSV存储 def save_to_csv(data, filename): with open(filename, w, newline, encodingutf-8) as f: writer csv.DictWriter(f, fieldnamesdata[0].keys()) writer.writeheader() writer.writerows(data) # SQLite存储 def save_to_sqlite(data, db_file): conn sqlite3.connect(db_file) c conn.cursor() c.execute(CREATE TABLE IF NOT EXISTS products (name TEXT, price TEXT, shop TEXT, comments TEXT)) for item in data: c.execute(INSERT INTO products VALUES (?,?,?,?), (item[name], item[price], item[shop], item.get(comments, ))) conn.commit() conn.close()6. 总结与下一步建议通过本文的实践我们展示了如何利用Qwen2.5-Coder-1.5B快速生成功能完善的网页爬虫代码。这种AI辅助开发方式可以大幅提升开发效率特别是在需要快速原型开发的场景中。关键收获Qwen2.5-Coder能够理解自然语言需求并生成可运行的Python代码生成的代码基础功能完整但需要根据实际场景进行优化电商类网站爬取需要考虑反爬机制和动态内容加载下一步建议尝试更复杂的爬虫场景如登录认证、验证码处理等探索分布式爬虫架构提升爬取效率学习使用Scrapy等专业爬虫框架与AI生成代码结合注意事项遵守目标网站的robots.txt协议控制请求频率避免对目标网站造成过大负担注意数据使用的合法性尊重版权和隐私获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2464393.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…