跳转到主要内容

概述

Olostep的Batches端点允许你启动最多10万个URL的批量抓取,并在5-7分钟内获取内容。如果你需要更大的规模,请联系我们。 这在你已经有想要处理的URL时非常有用——例如,用于聚合数据进行分析、构建专业搜索工具,或监控多个网站的变化。 在本指南中,我们将介绍如何使用URL列表启动批量抓取并以markdown格式检索内容。

完整代码的Gist

这里是一个包含所有代码的gist,你可以复制并粘贴以尝试使用Olostep进行批量抓取: https://gist.github.com/olostep/e903f2e4fc28f8093b834b4df68b8031 在这个gist中,我们展示了如何启动包含5个谷歌搜索查询的批量抓取,检查状态,并检索每个项目的内容。

前提条件

在开始之前,请确保你具备以下条件:
  • 有效的Olostep API密钥。你可以通过在Olostep注册来获取。
  • 在系统上安装了Python。
  • requests和hashlib库(如果需要,使用pip install requests安装requests)。

步骤1:从本地URL创建批量抓取

如果你已经有想要处理的URL列表,可以直接在脚本中定义它们。否则,你可以从文件或数据库中读取它们。

步骤2:监控批量抓取状态

一旦批量抓取开始,你可以使用启动批量抓取时返回的batch_id来监控其状态。
你可以每隔几秒(例如10秒)轮询状态,直到批量抓取完成:

步骤3:检索已完成的项目

一旦批量抓取标记为完成,获取处理过的项目。
每个项目将包含一个retrieve_id,你可以使用它来获取抓取的内容。

步骤4:检索内容

使用retrieve_id获取以markdown、html或json格式提取的内容。以下是以markdown格式检索内容的示例:

托管内容

我们还会托管内容7天,因此你可以多次检索而无需重新抓取。 markdown内容托管URL示例

示例用例

1. 构建搜索引擎

使用Olostep从特定行业网站(法律、医疗、AI)提取内容,并构建可搜索的数据库。

2. 网站监控

通过安排每日批量抓取,监控多个网站的产品可用性、价格变化或新闻更新。

3. 社交媒体监控

抓取品牌或关键词在论坛或内容来源中的提及,并提取结构化数据。

4. 聚合器

通过从数十个来源提取数据,构建招聘网站、新闻聚合器或房地产列表平台。

结论

通过批量抓取,你可以快速高效地从最多10万个URL中提取内容。无论你是在构建搜索工具、聚合器还是监控系统,Olostep Batches都能简化工作。 想要只提取结构化数据?使用Parsers来获取你需要的字段。需要帮助?请联系info@olostep.com获取支持,或让我们为你的用例编写自定义脚本。