HyperbrowserLoader
Hyperbrowser 是一个用于运行和扩展无头浏览器的平台。它允许您大规模启动和管理浏览器会话，并为任何网络抓取需求提供易于使用的解决方案，例如抓取单个页面或抓取整个站点。
主要特性
- 即时可扩展性 - 在几秒钟内启动数百个浏览器会话，无需基础设施烦恼
- 简单集成 - 与 Puppeteer 和 Playwright 等流行工具无缝协作
- 强大的 API - 易于使用的 API，用于抓取/爬取任何站点，以及更多功能
- 绕过反爬虫措施 - 内置隐身模式、广告拦截、自动 CAPTCHA 解决和轮换代理
本笔记本提供了一个快速概览，以帮助您开始使用 Hyperbrowser 文档加载器。
有关 Hyperbrowser 的更多信息，请访问 Hyperbrowser 网站，或者如果您想查看文档，可以访问 Hyperbrowser 文档。
概述
集成详情
| 类 | 包 | 本地 | 可序列化 | JS 支持 |
|---|---|---|---|---|
| HyperbrowserLoader | langchain-hyperbrowser | ❌ | ❌ | ❌ |
加载器特性
| 来源 | 文档延迟加载 | 原生异步支持 |
|---|---|---|
| HyperbrowserLoader | ✅ | ✅ |
设置
要访问 Hyperbrowser 文档加载器，您需要安装 langchain-hyperbrowser 集成包，并创建一个 Hyperbrowser 帐户并获取 API 密钥。
凭据
前往 Hyperbrowser 注册并生成 API 密钥。完成后，设置 HYPERBROWSER_API_KEY 环境变量
安装
安装 langchain-hyperbrowser。
%pip install -qU langchain-hyperbrowser
初始化
现在我们可以实例化我们的模型对象并加载文档
from langchain_hyperbrowser import HyperbrowserLoader
loader = HyperbrowserLoader(
urls="https://example.com",
api_key="YOUR_API_KEY",
)
加载
docs = loader.load()
docs[0]
Document(metadata={'title': 'Example Domain', 'viewport': 'width=device-width, initial-scale=1', 'sourceURL': 'https://example.com'}, page_content='Example Domain\n\n# Example Domain\n\nThis domain is for use in illustrative examples in documents. You may use this\ndomain in literature without prior coordination or asking for permission.\n\n[More information...](https://www.iana.org/domains/example)')
print(docs[0].metadata)
延迟加载
page = []
for doc in loader.lazy_load():
page.append(doc)
if len(page) >= 10:
# do some paged operation, e.g.
# index.upsert(page)
page = []
高级用法
您可以指定加载器要执行的操作。默认操作是 scrape。对于 scrape，您可以提供要抓取的单个 URL 或 URL 列表。对于 crawl，您只能提供单个 URL。crawl 操作将爬取提供的页面和子页面，并为每个页面返回一个文档。
loader = HyperbrowserLoader(
urls="https://hyperbrowser.ai", api_key="YOUR_API_KEY", operation="crawl"
)
加载器的可选参数也可以在 params 参数中提供。有关支持的参数的更多信息，请访问 https://docs.hyperbrowser.ai/reference/sdks/python/scrape#start-scrape-job-and-wait 或 https://docs.hyperbrowser.ai/reference/sdks/python/crawl#start-crawl-job-and-wait。
loader = HyperbrowserLoader(
urls="https://example.com",
api_key="YOUR_API_KEY",
operation="scrape",
params={"scrape_options": {"include_tags": ["h1", "h2", "p"]}},
)