Crawl4AI：开源 LLM 友好型 Web 爬虫和抓取工具

Crawl4AI是什么

Crawl4AI 是一款开源的 LLM 友好型 Web 爬虫工具，旨在简化异步 Web 爬取和数据提取，专为大型语言模型 (LLM) 和 AI 应用程序设计。它可以作为 Python 包或通过 Docker 安装，提供灵活的使用方式。Crawl4AI 的主要特点包括支持多 URL 并行爬取、提取所有媒体标签、外部和内部链接、元数据等。它支持自定义钩子、用户代理、页面截图、JavaScript 执行，并能生成结构化的输出，适合各种复杂的爬取场景，工具还具备异步架构和隐私保护功能。

Crawl4AI特点

• 🆓 完全免费且开源
• 🚀 性能超快，超越许多付费服务
• 🤖 LLM 友好的输出格式（JSON、清理的 HTML、markdown）
• 🌍 支持同时抓取多个 URL
• 🎨 提取并返回所有媒体标签（图像、音频和视频）
• 🔗 提取所有外部和内部链接
• 📚 从页面中提取元数据
• 🔄 爬取之前用于身份验证、标头和页面修改的自定义钩子
• 🕵️ 用户代理自定义
• 🖼️ 截取页面截图
• 📜 抓取前执行多个自定义 JavaScript
• 📊 使用 JsonCssExtractionStrategy 生成无需 LLM 的结构化输出
• 📚 各种分块策略：基于主题、正则表达式、句子等
• 🧠 高级提取策略：余弦聚类、LLM 等
• 🎯 CSS 选择器支持精确的数据提取
• 📝 传递指令/关键字以优化提取
• 🔒 代理支持，增强隐私和访问
• 🔄 针对复杂的多页面爬取场景的会话管理
• 🌐 异步架构，提高性能和可扩展性

Crawl4AI如何安装

Crawl4AI 提供灵活的安装选项，以适应各种用例。您可以将其安装为 Python 包或使用 Docker。

使用 pip 🐍

选择最适合您需求的安装选项：

基本安装

对于基本的网页爬取和抓取任务：

pip install crawl4ai

默认情况下，这将安装 Crawl4AI 的异步版本，使用 Playwright 进行网络爬取。

👉 注意：安装 Crawl4AI 时，安装脚本应自动安装并设置 Playwright。但是，如果遇到任何与 Playwright 相关的错误，则可以使用以下方法之一手动安装它：

1. 通过命令行：

   playwright install

2. 如果上述方法不起作用，请尝试这个更具体的命令：

   python -m playwright install chromium

在某些情况下，第二种方法已被证明更为可靠。

同步版本安装

如果您需要使用 Selenium 的同步版本：

pip install crawl4ai[sync]

开发安装

对于计划修改源代码的贡献者：

git clone https://github.com/unclecode/crawl4ai.git
cd crawl4ai
pip install -e .

使用 Docker

我们正在创建 Docker 镜像并将其推送到 Docker Hub。这将提供一种在容器化环境中运行 Crawl4AI 的简便方法。敬请期待更新！

Crawl4AI如何使用

在线体验：在 Colab 中打开

官方文档：https://crawl4ai.com/mkdocs/

GitHub：https://github.com/unclecode/crawl4ai