- 大家好，我是同学小张，日常分享AI知识和实战案例
- 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。
- +v: jasper_8017 一起交流💬，一起进步💪。
- 微信公众号也可搜【同学小张】 🙏
本站文章一览：
Web检索是AI大模型应用的一个热门应用方向。其涉及的主要步骤如下：
（1）用户提问，联网检索
（2）通过URLs记载网页HTML数据
（3）加载到的数据通过转换，获取关注的内容，形成文本
（4）对文本进行分块、向量化、存储
（5）调用大模型进行总结、答案生成
其实就是RAG的基本流程，只不过知识库不再局限在你自己的知识库，而是利用在线检索，搜罗互联网上的数据作为相关知识。
搜罗数据的过程，可以有两种方法，一种是调用检索的API，例如GoogleSearch的API，直接获取检索结果。另一种方法，就是靠爬虫，将网页数据抓取下来，存入向量数据库使用。
本文我们探讨一下爬虫的相关的使用方法。
0. LangChain接口
LangChain中，将爬虫功能分成了两个模块，Loading 和 Transforming。
Loading模块的功能是将 URL 加载转换成 HTML 内容。封装的类包括：AsyncHtmlLoader类、AsyncChromiumLoader类等。Transforming模块的功能是将 HMTL 内容转换成需要的文本。封装的类包括：HTML2Text类、Beautiful Soup类等。
0.1 Loading模块简介
AsyncHtmlLoader： 使用aiohttp库生成异步HTTP请求，适用于更简单、轻量级的抓取。AsyncChromiumLoader：使用Playwright启动Chromium实例，该实例可以处理JavaScript渲染和更复杂的web交互。Chromium是Playwright支持的浏览器之一，Playwright是一个用于控制浏览器自动化的库。
0.2 Transforming模块简介
- HTML2Text：将HTML内容直接转换为纯文本，而无需任何特定的标记操作。它最适合于目标是提取人类可读文本而不需要操作特定HTML元素的场景。
- Beautiful Soup：对HTML内容提供了更细粒度的控制，支持特定的标记提取、删除和内容清理。它适用于需要提取特定信息并根据需要清理HTML内容的情况。
1. 快速上手 - Quick Start
1.1 Demo代码
urls = ["https://mp.weixin.qq.com/s/Zklc3p5uosXZ7XMHD1k2QA"] from langchain_community.document_loaders import AsyncChromiumLoader from langchain_community.document_transformers import BeautifulSoupTransformer # Load HTML loader = AsyncChromiumLoader(urls) html = loader.load() print("============= html =====================") print(html) # Transform bs_transformer = BeautifulSoupTransformer() docs_transformed = bs_transformer.transform_documents(html, tags_to_extract=["span"]) print("================= doc_transformed ===============") print(docs_transformed)
1.2 代码解释
（1）该程序使用了 AsyncChromiumLoader 类来加载URL为HTML内容。
注意：AsyncChromiumLoader 接收的参数是一个URL数组，这意味着它可以同时加载多个URL。
（2）使用了 BeautifulSoupTransformer 类作为transform来将HTML内容转换成文本内容
注意：transform_documents 函数中的 tags_to_extract 参数，指定了将 HTML 中的什么 tag 内的内容提取成文本。
1.3 运行效果
- URL转HTML内容结果如下：
抓出来的其实是HTML脚本语言，程序代码。并不是我们想要的文本信息。所以后面有个Transform步骤。
- Transform步骤后的结果：
可以看到经过 Transform 步骤后，出现了我们需要的文本信息。
原网页内容如下：经过对比，发现提取的文本丢失了很多内容。主要的原因是tags_to_extract 参数设置的问题。
1.4 效果改善
HTML脚本语言的常用的文本标签 tags 大体有 <h>, <p>, <li>, <div> 和 <a> :
- <h1> 到 <h6>：标题标签，用于定义标题的级别，<h1> 是最高级别的标题，依次递减。
- <p>：段落标签，用于定义段落。
- <a>：链接标签，用于创建超链接，通过href属性指定链接目标。
- <span>：内联容器标签，用于包裹一小段文本或行内元素。
- <div>：块级容器标签，用于组合和布局其他元素。
- <strong>：强调文本标签，使文本加粗显示。
- <em>：强调文本标签，使文本以斜体显示。
- <br>：换行标签，用于插入一个换行符。
要改善上面的提取结果，使其能提取出更多的文本，我们可以修改提取的 tags 参数，如下，提取出<span>, <p> 和 <code> 的内容：
docs_transformed = bs_transformer.transform_documents(html, tags_to_extract=["span", "code", "p"])
修改后运行效果如下：已经将里面的文字和代码全部提取出来了（虽然还有些特殊符号，不过没关系，后面可以再过滤一层去掉）：
1.5 怎么确认 tags_to_extract 的参数
那上面我是怎么确认要提取 "span", "code", "p" 这三个tag内的文本的呢？
（1）打开你要爬取的网页，按 F12 打开网页调试工具
（2）找到 “元素” 选项卡，然后点击左上角的这个图标（如图）
（3）将鼠标悬浮在你想提取的文字上面，它就会自动展示当前文字所在的标签 tag 是什么。如下面图片：
（4）将这些tag全部填到参数里，就OK了。
2. 高级方法 - 使用大模型的Function Calling提取所需文本
该方法是在以上方法的基础上，在得到文本后，再利用大模型，从文本中二次提取出所关注的文本内容。
这种方法的好处在于，对于网页内容和结构变化时，我们不需要再去频繁的调整提取tag等参数，而是最后利用大模型统一提取关心内容即可。
2.1 Demo代码
def scraping_with_extraction(): from langchain_openai import ChatOpenAI llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo-0613") from langchain.chains import create_extraction_chain schema = { "properties": { "article_title": {"type": "string"}, "article_content": {"type": "string"}, "article_example_python_code": {"type": "string"}, }, "required": ["article_title", "article_content", "article_example_python_code"], } def extract(content: str, schema: dict): return create_extraction_chain(schema=schema, llm=llm).run(content) import pprint from langchain.text_splitter import RecursiveCharacterTextSplitter def scrape_with_playwright(urls, schema): from langchain_community.document_loaders import AsyncChromiumLoader from langchain_community.document_transformers import BeautifulSoupTransformer loader = AsyncChromiumLoader(urls) docs = loader.load() bs_transformer = BeautifulSoupTransformer() docs_transformed = bs_transformer.transform_documents( docs, tags_to_extract=["span", "code", "p"] ) print("Extracting content with LLM") # Grab the first 1000 tokens of the site splitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder( chunk_size=1000, chunk_overlap=0 ) splits = splitter.split_documents(docs_transformed) # Process the first split extracted_content = extract(schema=schema, content=splits[0].page_content) pprint.pprint(extracted_content) return extracted_content extracted_content = scrape_with_playwright(urls, schema=schema) scraping_with_extraction()
2.2 代码解释
（1）schema定义
定义一个模式来指定要提取的数据类型。在这里，key的名称很重要，因为这是告诉LLM我们想要什么样的信息。所以，尽可能详细。
（2）正常走上面的流程，获取网页数据 docs_transformed
（3）代码中还做了 split，将全部文本分块了，可能是为了避免超出 LLM 的Token长度限制？
（4）最重要、最灵魂的几句，将文本内容，和模式传入 create_extraction_chain 来获取输出：
def extract(content: str, schema: dict): return create_extraction_chain(schema=schema, llm=llm).run(content) extracted_content = extract(schema=schema, content=splits[0].page_content)
2.3 运行效果
输出的结果不是很好。
2.4 create_extraction_chain 源码解析
该函数源码如下：
其做的事儿，也比较简单，就是通过 _get_extraction_function 函数将上面我们定义的 schema 转换成了 function calling 中的 function 的结构。
然后创建了一个 LLMChain 链。
看下它内置的Prompt，让大模型提取出在 information_extraction 函数中定义的 properties相关信息 ：
_EXTRACTION_TEMPLATE = """Extract and save the relevant entities mentioned \ in the following passage together with their properties. Only extract the properties mentioned in the 'information_extraction' function. If a property is not present and is not required in the function parameters, do not include it in the output. Passage: {input} """
很明显，这个 Prompt 比较简单，要想大模型提取的结果好，information_extraction 函数中定义的 properties必须要尽可能详细。怎么提供详细的说明呢？看下我之前的Function calling的文章，可以看到参数下面可以加一个描述来详细描述该参数的含义。
仿照这个方法，我们可以优化schema：
schema = { "properties": { "文章标题": {"type": "string", "description": "文章题目"}, "文章正文全部内容": {"type": "string", "description": "文章的正文内容，不要包含Python代码，只输出文字"}, "文章中的示例Python代码": {"type": "string", "description": "文章中的Python代码，只输出代码，用markdonw格式输出，可能存在多段代码，多段代码之间分开"}, }, "required": ["文章标题", "文章正文全部内容", "文章中的示例Python代码"], }
还有一种方法，create_extraction_chain 函数的参数接收一个额外的 Prompt，我们也可以通过此参数来调优提取结果。
然而最终结果并没有多少改善… 待继续研究怎么优化。
该方法有点过于依赖大模型的能力，并且会大量消耗Token，目前还没看到有实际的落地效果，处于探索阶段。
如果觉得本文对你有帮助，麻烦点个赞和关注呗 ~~~
- 大家好，我是同学小张，日常分享AI知识和实战案例
- 欢迎 点赞 + 关注 👏，持续学习，持续干货输出。
- +v: jasper_8017 一起交流💬，一起进步💪。
- 微信公众号也可搜【同学小张】 🙏
本站文章一览：
