跳转到主要内容

递归 URL

RecursiveUrlLoader 允许您从根 URL 递归地抓取所有子链接，并将它们解析为文档。

概述​

集成细节​

类包本地可序列化JS 支持
RecursiveUrlLoaderlangchain_community✅❌✅

加载器特性​

来源文档延迟加载原生异步支持
RecursiveUrlLoader✅❌

设置​

凭据​

使用 RecursiveUrlLoader 不需要凭据。

安装​

RecursiveUrlLoader 位于 langchain-community 包中。 没有其他必需的包，但是如果您安装了 `beautifulsoup4`，您将获得更丰富的默认文档元数据。

%pip install -qU langchain-community beautifulsoup4

实例化​

现在我们可以实例化我们的文档加载器对象并加载文档

from langchain_community.document_loaders import RecursiveUrlLoader

loader = RecursiveUrlLoader(
    "https://docs.pythonlang.cn/3.9/",
    # max_depth=2,
    # use_async=False,
    # extractor=None,
    # metadata_extractor=None,
    # exclude_dirs=(),
    # timeout=10,
    # check_response_status=True,
    # continue_on_failure=True,
    # prevent_outside=True,
    # base_url=None,
    # ...
)
API 参考：RecursiveUrlLoader

加载​

使用 .load() 同步地将所有文档加载到内存中，每个访问的 URL 对应一个文档。 从初始 URL 开始，我们递归遍历所有链接的 URL，直到达到指定的最大深度。

让我们看一个在 Python 3.9 文档上使用 RecursiveUrlLoader 的基本示例。

docs = loader.load()
docs[0].metadata
/Users/bagatur/.pyenv/versions/3.9.1/lib/python3.9/html/parser.py:170: XMLParsedAsHTMLWarning: It looks like you're parsing an XML document using an HTML parser. If this really is an HTML document (maybe it's XHTML?), you can ignore or filter this warning. If it's XML, you should know that using an XML parser will be more reliable. To parse this document as XML, make sure you have the lxml package installed, and pass the keyword argument `features="xml"` into the BeautifulSoup constructor.
  k = self.parse_starttag(i)
{'source': 'https://docs.pythonlang.cn/3.9/',
 'content_type': 'text/html',
 'title': '3.9.19 Documentation',
 'language': None}

太棒了！第一个文档看起来像是我们开始的根页面。 让我们看看下一个文档的元数据

docs[1].metadata
{'source': 'https://docs.pythonlang.cn/3.9/using/index.html',
 'content_type': 'text/html',
 'title': 'Python Setup and Usage — Python 3.9.19 documentation',
 'language': None}

该 URL 看起来像是我们根页面的子页面，这很棒！ 让我们从元数据开始，检查我们其中一个文档的内容

print(docs[0].page_content[:300])

<!DOCTYPE html>

<html xmlns="http://www.w3.org/1999/xhtml">
  <head>
    <meta charset="utf-8" /><title>3.9.19 Documentation</title><meta name="viewport" content="width=device-width, initial-scale=1.0">
    
    <link rel="stylesheet" href="_static/pydoctheme.css" type="text/css" />
    <link rel=

这当然看起来像是来自 URL https://docs.pythonlang.cn/3.9/ 的 HTML，这正如我们所期望的那样。 现在让我们看看我们可以对基本示例进行的一些更改，这些更改在不同情况下可能会有所帮助。

延迟加载​

如果我们正在加载大量的文档，并且我们的下游操作可以在所有加载文档的子集上完成，我们可以一次延迟加载我们的文档，以最大限度地减少我们的内存占用

pages = []
for doc in loader.lazy_load():
    pages.append(doc)
    if len(pages) >= 10:
        # do some paged operation, e.g.
        # index.upsert(page)

        pages = []
/var/folders/4j/2rz3865x6qg07tx43146py8h0000gn/T/ipykernel_73962/2110507528.py:6: XMLParsedAsHTMLWarning: It looks like you're parsing an XML document using an HTML parser. If this really is an HTML document (maybe it's XHTML?), you can ignore or filter this warning. If it's XML, you should know that using an XML parser will be more reliable. To parse this document as XML, make sure you have the lxml package installed, and pass the keyword argument `features="xml"` into the BeautifulSoup constructor.
  soup = BeautifulSoup(html, "lxml")

在此示例中，我们一次加载到内存中的文档永远不超过 10 个。

添加提取器​

默认情况下，加载器将每个链接的原始 HTML 设置为文档页面内容。 要将此 HTML 解析为更适合人类/LLM 的格式，您可以传入自定义的 extractor 方法

import re

from bs4 import BeautifulSoup


def bs4_extractor(html: str) -> str:
    soup = BeautifulSoup(html, "lxml")
    return re.sub(r"\n\n+", "\n\n", soup.text).strip()


loader = RecursiveUrlLoader("https://docs.pythonlang.cn/3.9/", extractor=bs4_extractor)
docs = loader.load()
print(docs[0].page_content[:200])
/var/folders/td/vzm913rx77x21csd90g63_7c0000gn/T/ipykernel_10935/1083427287.py:6: XMLParsedAsHTMLWarning: It looks like you're parsing an XML document using an HTML parser. If this really is an HTML document (maybe it's XHTML?), you can ignore or filter this warning. If it's XML, you should know that using an XML parser will be more reliable. To parse this document as XML, make sure you have the lxml package installed, and pass the keyword argument `features="xml"` into the BeautifulSoup constructor.
  soup = BeautifulSoup(html, "lxml")
/Users/isaachershenson/.pyenv/versions/3.11.9/lib/python3.11/html/parser.py:170: XMLParsedAsHTMLWarning: It looks like you're parsing an XML document using an HTML parser. If this really is an HTML document (maybe it's XHTML?), you can ignore or filter this warning. If it's XML, you should know that using an XML parser will be more reliable. To parse this document as XML, make sure you have the lxml package installed, and pass the keyword argument `features="xml"` into the BeautifulSoup constructor.
  k = self.parse_starttag(i)
``````output
3.9.19 Documentation

Download
Download these documents
Docs by version

Python 3.13 (in development)
Python 3.12 (stable)
Python 3.11 (security-fixes)
Python 3.10 (security-fixes)
Python 3.9 (securit

这看起来好多了！

您可以类似地传入 metadata_extractor 来自定义如何从 HTTP 响应中提取文档元数据。 有关此的更多信息，请参阅API 参考。

API 参考​

这些示例仅展示了您可以修改默认 RecursiveUrlLoader 的几种方式，但是可以进行更多修改以最适合您的用例。 使用参数 link_regex 和 exclude_dirs 可以帮助您过滤掉不需要的 URL，aload() 和 alazy_load() 可以用于异步加载等等。

有关配置和调用 RecursiveUrlLoader 的详细信息，请参阅 API 参考：https://python.langchain.ac.cn/api_reference/community/document_loaders/langchain_community.document_loaders.recursive_url_loader.RecursiveUrlLoader.html。

此页对您有帮助吗？