AI时代新爬虫：网站自动转LLM数据，firecrawl深度玩法解读-大模型知识库|大模型训练|开箱即用的企业大模型应用平台|智能体开发

文章编号：4770 / 分类：AI资讯 / 更新时间：2024-06-16 09:35:31 / 浏览：次

AI时代新爬虫网站自动转LLM数据，fir

53AI知识库

学习大模型的前沿技术与行业应用场景

点击上方蓝字关注我们

IT 咖啡馆，探索无限可能！

恭喜你发现了这个宝藏，这里你会发现优质的开源项目、IT知识和有趣的内容。

在大模型的时代，爬虫技术也有了很多新的发展，最近出现了专门针对大模型来提取网站信息的爬虫，一键将网页内容转换为LLM-ready的数据。今天我们介绍其中的开源热门代表：firecrawl。

FireCrawl是一款创新的爬虫工具，它能够无需站点地图，抓取任何网站的所有可访问子页面。与传统爬虫工具相比，FireCrawl特别擅长处理使用JavaScript动态生成内容的网站，并且可以转换为LLM-ready的数据。

此外，它还提供了一个易于使用的API，让开发者能够轻松实现内容的爬取和转换。

可以先通过FireCrawl 提供的playground来快速体验下。

最简单的情况下，只需要填一个URL就可以，firecrawl会抓取到相关的内容，还可以通过LLM来提取信息。使用firecrawl的在线服务是需要付费的，免费的只有500credit，所以接下来我们看下如何自己本地运行。

项目的介绍中说了，目前还在早期阶段，不建议自己部署，如果想要跑可以源码启动。首先需要准备本地的环境：

nodejspnpmRedis

然后在 /apps/api/ 下建一个 .env文件，可以从.env.example拷贝一个，.env.example中包括了项目可以使用的各种配置，内容很多。如果只是本地最简单运行的话，内容参考如下：

# ===== Required ENVS ======NUM_WORKERS_PER_QUEUE=8PORT=3002HOST=0.0.0.0REDIS_URL=redis://localhost:6379## To turn on DB authentication, you need to set up supabase.USE_DB_AUTHENTICATION=false

之后就是安装依赖。

pnpm install

接下来启动项目，这里启动需要涉及3个部分的内容。

启动Redis，在项目目录下打开一个终端，之后启动Redis即可

redis-server

启动worker，worker是具体执行爬虫任务的，在项目的 /apps/api/ 路径下，执行命令：

pnpm run workers

启动主服务，还是在项目的 /apps/api/ 路径下，执行命令

pnpm run start

到这里我们就在本地运行了firecrawl，可以向3002端口发个请求来确认服务已经运行

curl -X GET

也可以访问 http://0.0.0.0:3002/admin//queues ，查看firecrawl的管理后台。

部署好了之后，我们就来详细看下如何使用吧。

首先我们可以通过REST API的方式向firecrawl发送指令，我们首先可以使用 /scrape 这个API来抓取一下他们自己公司的网站，使用如以下curl命令：

curl -X POST \\ -H 'Content-Type: application/json' \\ -d '{ "url": "" }'

当然也可以通过各种API工具来发送，使用体验会更好一些。

除了单个网页的抓取，firecrawl还可以抓取多个页面，使用/crawl API ，您给出要抓取的基本 URL，所有可访问的子页面都将被抓取。

curl -X POST \\ -H 'Content-Type: application/json' \\ -d '{ "url": "", "pageOptions": { "onlyMainContent": true, "includeHtml": true, "screenshot": true, "waitFor": 5000 }, "crawlerOptions": { "includes": ["/blog/*", "/products/*"], "maxDepth": 3, "mode": "fast", } }'

在此示例中，爬虫将完成以下功能：

仅抓取与模式/blog/*，/products/*和匹配的 URL。

跳过与模式/admin/* ，/login/*和匹配的 URL。

返回每页的完整文档数据。

使用快速抓取模式。

/crawl 不会直接返回结果，发送命令后会返回对应任务的JobID，之后的任务是会在后台执行，可以在前面展示过的管理后台里查看任务的运行情况。

关于API的所有参数选项，可以到文档中查看。

首先 firecrawl 支持对抓取的内容进行大模型提取，利用大模型的能力，直接将抓取结果按预期进行格式化处理。如果想使用这个能力，首先要在.env里配置对应的API KEY。

我们在抓取的命令里，加入extractorOptions，参考如下：

"extractorOptions": { "mode": "llm-extraction", "extractionPrompt": "Based on the information on the page, extract the information from the schema. ", "extractionSchema": { "type": "object", "properties": { "company_mission": { "type": "string" }, "supports_sso": { "type": "boolean" }, "is_open_source": { "type": "boolean" }, "is_in_yc": { "type": "boolean" } }, "required": [ "company_mission", "supports_sso", "is_open_source", "is_in_yc" ] } }

这样再次执行后，可以看到结果的最后就会有提取的内容。

除了这种方式以外，还可以通过代码的方式来使用firecrawl，目前支持

使用代码的方式会有更多的灵活性，可以更加方便的和自己的程序集成起来。下面是一个简单的例子，我用node sdk为例，先要安装：

npm install @mendable/firecrawl-js

然后就可以在代码中使用了

const crawlUrl = '';const params = { crawlerOptions: { excludes: ['blog/'], includes: [], // leave empty for all pages limit: 1000, }, pageOptions: { onlyMainContent: true }};const waitUntilDone = true;const timeout = 5;const crawlResult = await app.crawlUrl( crawlUrl, params, waitUntilDone, timeout);

这里需要说的，默认情况下，官方的SDK中使用的是https://api.firecrawl.dev/ 的在线服务，如果你觉得没问题，那需要去网站上申请API key。

如果你想要使用自己本地启动的服务，那需要自己去修改一下SDK的实现，相关的代码在项目中都开了，大概在这里。

自己把相关内容修改一下，然后自己使用就可以了。

另外还有一些比较不错的玩法，比如使用 firecrawl 的 /search API来信息收集，之后快速转换成LLM-ready的数据。

首先 search的内容大概是这样的。

import FirecrawlApp from '@mendable/firecrawl-js';//这里的API key根据自己需要了const app = new FirecrawlApp({ apiKey: 'YOUR_API_KEY' });const params = { searchOptions: { limit: 5, }, pageOptions: { fetchPageContent: false } };// Perform a searchconst result = await app.search('What is firecrawl?');

会拿到类似这样一个结果。

剩下就不一步步实现了接下来就简单说下思路：

我们可以针对返回的结果，再对每一个URL使用 /scrape

配置参数用上之前的llm-extraction，就可以对每一个结果抓取数据并提炼内容

再把提炼的结果存下来，比如存到存到向量数据库中

接下来这就可以作为LLM的辅助信息来使用了

整体来说firecrawl的可玩性确实非常高，在AI和大模型的时代，给爬虫这个传统工具提供了一个非常有意思的新发展思路。如果你也感兴趣，可以自己动手来玩一玩，还是很有意思的。

53AI，大模型落地应用首选服务商

定位：开箱即用的大模型落地应用平台

承诺：先做场景POC验证，看到效果再签署服务协议。零风险落地应用大模型，已交付160+中大型企业

微软技术社区：做RAG？向量搜索还不够

全球首个开源AIGC 数字人模型免费使用，手机端可跑！

如何让AI基于超长文档进行问答？

翻车了？这才是真正的SD3！

Omost！让AI大模型代写AI绘画提示词

《构建和评估高级RAG》: RAG评估要素和方法

【AI大模型应用开发】AI+知识图谱极简入门：手把手带你体验LangChain实现知识图谱创建和查询（附代码和源码分析）

广州：广州市华景路37号(华景软件园)暨南大学科技大厦6楼（整层）杨小姐 186 6662 7370

上海：上海市浦东新区金新路58号1602室戴先生 186 1639 7587

广州：广州市华景路37号(华景软件园)暨南大学科技大厦6楼（整层）杨小姐 186 6662 7370

上海：上海市浦东新区金新路58号1602室戴先生 186 1639 7587

与创始人交个朋友

-->广州：广州市华景路37号(华景软件园)暨南大学科技大厦6楼（整层）杨小姐 186 6662 7370

上海：上海市浦东新区金新路58号1602室戴先生 186 1639 7587

-->