一日一技：圖文結(jié)合，大模型自動抓取列表頁
熟悉我的同學都知道，GNE可以自動化提取任意文章頁面的正文，專業(yè)版GnePro的準確率更是在13萬個網(wǎng)站中達到了90%。
但GNE一直不支持列表頁的自動抓取。這是因為列表頁的列表位置很難定義。例如下面這張圖片：
圖片
對人來說，要找到文章列表很簡單，紅色方框框住的部分就是我們需要的文章列表。但如果讓程序自動根據(jù)HTML格式相似的規(guī)律來尋找列表頁，它可能會提取出藍色方框的位置、綠色方框的位置、灰色方框的位置，甚至導(dǎo)航欄。
之前我也試過使用ChatGPT來提取文章列表，但效果并不理想。因為傳給大模型HTML以后，他也不能知道這里面某個元素在瀏覽器打開以后，會出現(xiàn)什么位置。因此它本質(zhì)上還是通過HTML找元素相似的規(guī)律來提取列表項目。那么其實沒有解決我的根本問題，上圖中的藍色、綠色、灰色位置還是經(jīng)常會提取到。
前兩天使用GLM-4V識別驗證碼以后，我對智譜的大模型在爬蟲領(lǐng)域的應(yīng)用充滿了期待。正好這兩天智譜上線了視頻/圖片理解的旗艦?zāi)Ｐ虶LM-4V-Plus。于是我突然有了一個大膽的想法，能不能結(jié)合圖片識別加上HTML，讓大模型找到真正的文章列表位置呢？
說干就干，我這次使用少數(shù)派的Matrix精選頁面來進行測試。如下圖所示：
圖片
需要注意的是，這個頁面是異步加載的頁面，因此通過在開發(fā)者工具中右鍵來獲取包含列表頁的源代碼，如下圖所示：
圖片
接下來，為了節(jié)省Token省錢，我首先對這個HTML進行清洗，移除一些顯然不需要的HTML元素：
from lxml.html import fromstring, HtmlElement
from lxml.html import etree
def remove_node(node: HtmlElement):
"""
this is a in-place operation, not necessary to return
:param node:
:return:
"""
parent = node.getparent()
if parent is not None:
parent.remove(node)
with open('/Users/kingname/Downloads/sspai.html') as f:
html = f.read()
selector = fromstring(html)
USELESS_TAG = ['style', 'script', 'link', 'video', 'iframe', 'source', 'picture', 'header', 'blockquote',
'footer', 'svg']
for tag in USELESS_TAG:
eles = selector.xpath(f'//{tag}')
for ele in eles:
remove_node(ele)
html_clean = etree.tostring(selector, pretty_print=True, encoding='unicode')
print(html_clean)代碼如下圖所示：
圖片
其實有很多頁面，在源代碼里面會有一個<script>標簽，它有一個type屬性，值是application/ld+json。它的text是一個大JSON，包含了頁面上的所有有用信息。只需要提取這個JSON并解析就能拿到需要的全部信息。不過這個情況不在今天的討論范圍，因此我們也把<script>一并刪去。
接下來，對少數(shù)派這個列表頁做一下截圖，調(diào)用GLM-4V-Plus模型時，同時上傳截圖和源代碼。如下圖所示：
圖片
在system里面，我定義了一個函數(shù)，并通過注釋說明這個函數(shù)需要實現(xiàn)什么功能。讓GLM-4V-Plus首先理解圖片，然后分析HTMl，并補全我的Python代碼。
最后運行生成的代碼如下圖所示：
我把這段代碼復(fù)制出來執(zhí)行，發(fā)現(xiàn)可以正確解析出列表頁中每篇文章的標題和URL，如下圖所示：
圖片
它自動生成的XPath，到少數(shù)派頁面上手動驗證，發(fā)現(xiàn)確實能夠正確找到每一篇文章：
圖片
看起來，GLM-4V-Plus模型確實天然適合做爬蟲：既能識別驗證碼，又可以識別網(wǎng)頁生成XPath提取數(shù)據(jù)。如果我再把DrissionPage用上，解決反爬蟲問題，最后通過模型的Tool Call機制來控制DP操作頁面，那就是全自動爬蟲了。后面就有無限的想象力了。
如果大家對GLM-4V-Plus+DrissionPage結(jié)合的全自動爬蟲有興趣，請在本文下面留言。我們下一篇文章，就來實現(xiàn)這個真正意義上的，自己動，自己抓，自己解析的，擁有自己大腦的全自動爬蟲。
除了GLM-4V-Plus 外，這一次的旗艦?zāi)Ｐ瓦€有GLM-4-Plus和CogView-3-Plus模型。
GLM-4-Plus無論是解決復(fù)雜的數(shù)學問題、解析深奧的代碼算法，還是理解并解答各類邏輯推理題都有了極大的提升。使得模型能夠更好地反映人類的思維方式和偏好。
CogView-3-Plus能夠提供更加精細的文生圖能力。如果我們使用GLM-4V-Plus抓取網(wǎng)頁，使用GLM-4-Plus分析網(wǎng)頁的內(nèi)容并生成文案，最后使用CogView-3-Plus生成配圖，然后自動發(fā)小紅書或者公眾號，形成閉環(huán)。
