您好,登錄后才能下訂單哦!
本篇內(nèi)容介紹了“ChatGPT最小元素的設(shè)計方法是什么”的有關(guān)知識,在實際案例的操作過程中,不少人都會遇到這樣的困境,接下來就讓小編帶領(lǐng)大家學習一下如何處理這些情況吧!希望大家仔細閱讀,能夠?qū)W有所成!
上一節(jié)隨著我能抓openai的列表之后,我的野心開始膨脹,既然我們寫了一個框架,可以開始寫面向各網(wǎng)站的爬蟲了,為什么只面向ChatGPT呢?幾乎所有的平臺都是這么個模式,一個列表,然后逐個抓取。那我能不能把這個能力泛化呢?可不可以設(shè)計一套機制,讓所有的抓取功能都變得很簡單呢?我抽取一系列的基礎(chǔ)能力,而不管抓哪個網(wǎng)站只需要復用這些能力就可以快速的開發(fā)出爬蟲。公司內(nèi)的各種平臺都是這么想的對吧?
那么我們就需要進行設(shè)計建模,如果按照正常的面向?qū)ο螅铱赡軙@么設(shè)計建模:
看起來很美好不是嗎?是不是可以按照設(shè)計去寫代碼了?其實完全是扯淡,魔鬼隱藏在細節(jié)中,每個網(wǎng)站都有各種復雜的HTML、他們可能是簡單的列表,也可能是存在好幾個iframe,而且你在界面上看到的列表和你真正點開的又不一樣,比如說:
有的小說網(wǎng)站,它的列表上假如有N個列表項,但是你真的點擊去之后,你會發(fā)現(xiàn)有的章節(jié)點擊他只有一半內(nèi)容,再點下一頁的時候它會調(diào)到一個不在列表頁上的展示的頁面,展示后半段內(nèi)容,而你如果只根據(jù)列表鏈接去抓,你會丟掉這后半段內(nèi)容。
有的網(wǎng)站會在你點了幾個頁面后隨機出現(xiàn)一個按鈕,點擊了才能展開后續(xù)內(nèi)容,防止機器抓取。你不處理這種情況,直接去抓就抓不全。
而有的網(wǎng)站根本就是圖片展示文本內(nèi)容,你得把圖片搞下來,然后OCR識別,或者插入了各種看不見的文本需要被清洗掉。
而且每個網(wǎng)站還會升級換代,他們一升級換代,你的抓取方式也要跟著變。 等等等等……而且所有這些要素之間還可以排列組合:
所以最上面的那個建模只能說過于簡化而沒有用處,起碼,以前是這樣的。
在以前,我們可能會進一步完善這個設(shè)計,得到一系列復雜的內(nèi)部子概念、子機制、子策略,比如:
反防抓機制
詳情分頁抓取策略
清洗機制
然后對這些機制進行組合。
然而這并不會讓問題變簡單,人們總是低估膠水代碼的復雜度,最終要么整個體系非常脆弱,要么就從膠水處開始腐化。
那么在今天,我們有沒有什么新的做法呢?我們從一個代碼示例開始講起,比如,我這里有一個抓取某小說網(wǎng)站的代碼:
const fs = require('fs/promises'); async function main() { const novel_section_list_url = 'https://example.com/list-1234.html'; await driver.goto(novel_section_list_url); const novelSections = await driver.evaluate(() => { let title = getNovelTitle(document) let section_list = getNovelSectionList(document); return { title, section_list } function getNovelTitle(document) { return document.querySelector("h2.index_title").textContent; } function getNovelSectionList(document) { let result = []; document.querySelectorAll("ul.section_list>li>a").forEach(item => { const { href } = item; const name = item.textContent; result.push({ href, name }); }); return result; } }); console.log(novelSections.section_list.length); const batchSize = 50; const title = novelSections.title; let section_list = novelSections.section_list; if (intention.part_fetch) { section_list = novelSections.section_list.slice(600, 750); } await batchProcess(section_list, batchSize, async (one_batch, batchNumber) => { await download_one_batch_novel_content(one_batch, driver); async function download_one_batch_novel_content(one_batch, driver) { let one_text_file_content = ""; for (section of one_batch) { await driver.goto(section.href); await driver.waitForTimeout(3000); const section_text = await driver.evaluate(() => { return "\n\n" + document.querySelector("h2.chapter_title").textContent + "\n" + document.querySelector("#chapter_content").textContent; }); one_text_file_content += section_text; } await fs.writeFile(`./output/example/${title}-${batchNumber}.txt`, one_text_file_content); } }); } main().then(() => { }); async function batchProcess(list, batchSize, asyncFn) { const listCopy = [...list]; const batches = []; while (listCopy.length > 0) { batches.push(listCopy.splice(0, batchSize)); } let batchNumber = 12; for (const batch of batches) { await asyncFn(batch, batchNumber); batchNumber++; } }
在實際工作中這樣的代碼應(yīng)該是比較常見的,由于上述的設(shè)計沒有什么用處,我們經(jīng)常見到的就是另一個極端,那就是代碼寫的過于隨意,整個代碼的實現(xiàn)變得無法閱讀,當我想要做稍微地調(diào)整,比如說我昨天抓了100個,今天接著從101個往后抓,就要去讀代碼,然后從代碼中看改點什么好讓這個抓取可以從101往后抓。
那在以前呢,我們就要像上面說的要設(shè)計比較精密的機制,而越是精密的機制,就越不健壯。而且,以我的經(jīng)驗,你想讓人們使用那么精細的機制也不好辦,因為大多數(shù)人的能力并不足以駕馭精細的機制。
而在今天,我們可以做的更粗放一些。
首先,我們意識到有些代碼,準確的說,是有些變量,是我們經(jīng)常修改的,所以我們在不改變整體結(jié)構(gòu)的情況下,我們把這些變量提到上面去,變成一個變量:
//意圖描述 const intention = { list_url:'https://example.com/list-1234.html', batchSize: 50, batchStart: 12, page_waiting_time: 3000, part_fetch:{ //如果全抓取,就注釋掉整個part_fetch屬性 from:600,//不含該下標 to:750 }, output_folder: "./output/example" } const fs = require('fs/promises'); const driver = require('../util/driver.js'); async function main() { const novel_section_list_url = intention.list_url; await driver.goto(novel_section_list_url); const novelSections = await driver.evaluate(() => { let title = getNovelTitle(document) let section_list = getNovelSectionList(document); return { title, section_list } function getNovelTitle(document) { return document.querySelector("h2.index_title").textContent; } function getNovelSectionList(document) { let result = []; document.querySelectorAll("ul.section_list>li>a").forEach(item => { const { href } = item; const name = item.textContent; result.push({ href, name }); }); return result; } }); console.log(novelSections.section_list.length); const batchSize = intention.batchSize; const title = novelSections.title; let section_list = novelSections.section_list; if (intention.part_fetch) { section_list = novelSections.section_list.slice(intention.part_fetch.from, intention.part_fetch.to); } await batchProcess(section_list, batchSize, async (one_batch, batchNumber) => { await download_one_batch_novel_content(one_batch, driver); async function download_one_batch_novel_content(one_batch, driver) { let one_text_file_content = ""; for (section of one_batch) { await driver.goto(section.href); await driver.waitForTimeout(intention.page_waiting_time); const section_text = await driver.evaluate(() => { return "\n\n" + document.querySelector("h2.chapter_title").textContent + "\n" + document.querySelector("#chapter_content").textContent; }); one_text_file_content += section_text; } await fs.writeFile(`${intention.output_folder}/${title}-${batchNumber}.txt`, one_text_file_content); //一個批次一存儲 } }); } main().then(() => { }); async function batchProcess(list, batchSize, asyncFn) { const listCopy = [...list]; const batches = []; while (listCopy.length > 0) { batches.push(listCopy.splice(0, batchSize)); } let batchNumber = intention.batchStart; for (const batch of batches) { await asyncFn(batch, batchNumber); batchNumber++; } }
于是我們把程序分成了兩部分結(jié)構(gòu):
接下來我會發(fā)現(xiàn),在網(wǎng)站不變的情況下,下面這個意圖執(zhí)行代碼相當?shù)姆€(wěn)定。我經(jīng)常需要做的不管是偏移量的計算,還是修改抓取目標等等,這些都只需要修改上面的意圖描述數(shù)據(jù)結(jié)構(gòu)即可。而且我們可以做進一步的封裝,得到下面的代碼(下面的JsDoc也是ChatGPT給我寫的):
/** * @typedef {Object} Intention * @property {string} list_url * @property {integer} batchSize * @property {integer} batchStart * @property {integer} page_waiting_time * @property {PartFetch} part_fetch 如果全抓取,就注釋掉整個part_fetch屬性 * @property {string} output_folder * * @typedef {Object} PartFetch * @property {integer} from 不含該下標 * @property {integer} batchStart */ //意圖執(zhí)行 /** * @param {Intention} intention */ module.exports = (intention, context) => { Object.assign(this, context); const {fs,console} = context; async function main() { const novel_section_list_url = intention.list_url; await driver.goto(novel_section_list_url); const novelSections = await driver.evaluate(() => { let title = getNovelTitle(document) let section_list = getNovelSectionList(document); return { title, section_list } function getNovelTitle(document) { return document.querySelector("h2.index_title").textContent; } function getNovelSectionList(document) { let result = []; document.querySelectorAll("ul.section_list>li>a").forEach(item => { const { href } = item; const name = item.textContent; result.push({ href, name }); }); return result; } }); console.log(novelSections.section_list.length); const batchSize = intention.batchSize; const title = novelSections.title; // const section_list = novelSections.section_list.slice(0, 3); let section_list = novelSections.section_list; if (intention.part_fetch) { section_list = novelSections.section_list.slice(intention.part_fetch.from, intention.part_fetch.to); } await batchProcess(section_list, batchSize, async (one_batch, batchNumber) => { await download_one_batch_novel_content(one_batch, driver); async function download_one_batch_novel_content(one_batch, driver) { let one_text_file_content = ""; for (section of one_batch) { await driver.goto(section.href); await driver.waitForTimeout(intention.page_waiting_time); const section_text = await driver.evaluate(() => { return "\n\n" + document.querySelector("h2.chapter_title").textContent + "\n" + document.querySelector("#chapter_content").textContent; }); one_text_file_content += section_text; } await fs.writeFile(`${intention.output_folder}/${title}-${batchNumber}.txt`, one_text_file_content); //一個批次一存儲 } }); } main().then(() => { }); async function batchProcess(list, batchSize, asyncFn) { const listCopy = [...list]; const batches = []; while (listCopy.length > 0) { batches.push(listCopy.splice(0, batchSize)); } let batchNumber = intention.batchStart; for (const batch of batches) { await asyncFn(batch, batchNumber); batchNumber++; } } }
于是我們就有了一個穩(wěn)定的接口將意圖的描述和意圖的執(zhí)行徹底分離,隨著我對我的代碼進行了進一步的整理后發(fā)現(xiàn),這個意圖描述結(jié)構(gòu)竟然相當?shù)耐ㄓ?,我寫的好多網(wǎng)站的抓取代碼竟然都可以抽取出這樣一個結(jié)構(gòu)。 于是我們可以進一步抽象,到了一種適用于我特定領(lǐng)域的DSL,類似下面的結(jié)構(gòu):
到此為止,我的意圖描述和意圖執(zhí)行徹底解耦,意圖執(zhí)行變成了意圖描述中的一個屬性,我只需要寫一個引擎,根據(jù)意圖描述中entrypoint的屬性值,加載對應(yīng)的函數(shù),然后將意圖數(shù)據(jù)傳給他就可以了,大概的代碼如下:
const intentionString = await fs.readFile(templatePath, 'utf8'); const intention = yaml.load(intentionString); const intention_exec = require(intention.entrypoint); intention_exec(intention, context);
而我們的每一個意圖執(zhí)行的代碼,可以有自己的不同變化原因,不管是網(wǎng)站升級了,還是我們要抓下一個網(wǎng)站了,我們只需要把HTML扔給ChatGPT,他就可以幫我們生成對應(yīng)的意圖執(zhí)行代碼。哪怕我們想基于一些可以復用庫函數(shù),比如之前說的反防抓、反詳情頁分頁機制封裝的庫函數(shù),他也可以給我們生成膠水代碼把這些函數(shù)粘起來(具體的手法我們在后續(xù)的文章里講),所有這一切的變化,都可以用ChatGPT生成代碼這一步解決。那么所謂的在膠水層腐化的問題也就不存在了。
很有趣的是,在我基于該結(jié)構(gòu)的DSL得到一組實例之后,我很快就開始產(chǎn)生了在DSL這一層的新需求,比如:
DSL文件的管理需求,因為人總是很懶的,而且我只有業(yè)余時間寫點這些東西,不能保證自己一直記得哪個網(wǎng)站對應(yīng)哪個文件,然后怎么設(shè)置。
我還希望能夠根據(jù)我本地已經(jīng)抓的內(nèi)容和智能生成偏移量
我也希望能定時去查看更新然后生成抓取意圖。
這一切都是很有價值的需求,而如果我們沒有一個穩(wěn)定的下層DSL結(jié)構(gòu),我們這些更上層需求也注定是不穩(wěn)定的。
而有了這個穩(wěn)定的DSL結(jié)構(gòu)后,我們回過頭來看我們的設(shè)計,其實是在更大的尺度上實現(xiàn)了面向?qū)ο笤O(shè)計中的開閉原則,盡管擴展需要大量的代碼,而這些代碼卻并不需要人來寫,所以效率依然很高。
“ChatGPT最小元素的設(shè)計方法是什么”的內(nèi)容就介紹到這里了,感謝大家的閱讀。如果想了解更多行業(yè)相關(guān)的知識可以關(guān)注億速云網(wǎng)站,小編將為大家輸出更多高質(zhì)量的實用文章!
免責聲明:本站發(fā)布的內(nèi)容(圖片、視頻和文字)以原創(chuàng)、轉(zhuǎn)載和分享為主,文章觀點不代表本網(wǎng)站立場,如果涉及侵權(quán)請聯(lián)系站長郵箱:is@yisu.com進行舉報,并提供相關(guān)證據(jù),一經(jīng)查實,將立刻刪除涉嫌侵權(quán)內(nèi)容。