AI与大模型的结合：数据采集的新时代

作者 | 崔皓

审校 | 重楼

开篇

在AIGC（人工智能与通用计算）应用中，大型语言模型（LLM）扮演着重要角色。这些模型，如GPT和BERT系列，通过处理和分析大规模数据集，极大地推动了自然语言理解和生成的发展。它们在多种应用中表现卓越，如文本生成、语言翻译、情感分析等，对提高工作效率和开展创新至关重要。LLM的强大能力使得人们能够更高效地处理和理解大量的自然语言数据，从而为人们提供更好的用户体验和更准确的结果。

然而，虽然LLM在处理实时数据方面存在一定的局限性，但是它仍然具有一定的优势。尽管LLM模型主要依赖于历史数据进行训练，限制了其对实时或最新信息的敏感度和准确性，但它仍然可以提供一定的参考价值。 在处理新兴话题或最新发展趋势方面，虽然LLM可能无法提供最准确的信息，但它可以通过分析历史数据中的相关信息来提供一些线索和参考意见。虽然这些内容可能尚未包含在其训练数据中，但它可以帮助用户了解相关背景和趋势。 此外，尽管LLM在快速处理和反应实时变化方面面临挑战，但它仍然可以通过定期更新和重新训练来提高其反应速度和准确性。虽然在需要分析和反映最新市场动态、政策变化或社会事件时可能会有一定的延迟，但LLM仍然可以提供一些有用的见解和建议。 因此，尽管LLM在处理实时数据方面存在一些限制，但它仍然可以在许多应用场景中发挥作用，并为用户提供有价值的信息和洞察力。

既然我们已经意识到了大型语言模型（LLM）在处理实时数据方面的局限性，那么下一步就是探索如何通过Web Research技术突破这一限制。下面的内容将专注于如何通过网络爬虫技术结合LLM，实现对实时网络资源的有效获取和分析。

整体思路

Web Research 结合 LLM 的整体思路是复杂的过程，旨在利用大型语言模型的自然语言处理能力，实现对互联网数据的高效处理和分析。如下图所示，我们将整个过程进行拆解：

1. 实时网络请求：首先，对目标网站发起实时请求，以获取最新的数据和内容。

2. 获取HTML页面：使用网站的URLs来访问和加载HTML页面，此时，网页的数据将被加载到内存中。

3. 内容转换：随后，将加载的HTML页面转换为文本信息，为后续的处理步骤做准备。这通常涉及去除HTML标记和格式化内容，以提取纯文本数据。

4. 数据存储和分类：转换后的文本数据可以存储在向量库中，以便于进行高效的检索和分析。同时，可以利用LLM对内容进行分类和组织，以便快速访问相关信息。

5.生成摘要：最后，利用LLM的功能调用来生成文本数据的摘要。这不仅包括提取关键信息，还可能涉及对数据进行综合和解释，以便用户能够快速理解内容的核心要点。

通过这样的流程，我们能够结合LLM的强大文本处理功能和网络爬虫技术的实时数据访问能力，有效地处理和分析大量的在线信息。这种方法不仅提高了信息处理的速度和准确性，而且通过摘要和分类，使得用户能够更容易地获取和理解需要的数据。

关键问题

为了验证Web爬虫和大型语言模型结合的研究思路是否切实可行，可以以知名新闻网站Wall Street Journal（华尔街日报）为例进行实证分析。假设从该网站的首页，获取实时的新闻信息，并且将这些信息进行抽取，最终保存为包括“标题”和“摘要”的结构化信息， 以便后续查找和分析。从过程描述中发现，将面临三个主要的技术挑战：加载、转换以及通过LLM进行内容抽取。

1.加载HTML：我们可以访问 https://www.wsj.com，使用网络爬虫工具获取网站的HTML内容。这一步涉及发送HTTP请求并接收返回的网页代码。

2. 转换为文本：分析该网站的HTML结构表明，文章标题和摘要信息通常包含在``标签中。如下图所示，文章的标题是在``标签中。

如下图所示，我们观察到，文章的摘要也是保存在标签中。

因此需要利用HTML解析库，如BeautifulSoup，从HTML中提取这些标签的内容，并将其转换为纯文本格式。

3. LLM处理：有了纯文本数据后，我们将使用大型语言模型来进一步处理这些文本。这可能包括内容分类、关键信息提取、摘要生成等。

在这个例证中，我们将如何确保网络爬虫精准地抓取所需信息，以及如何调整大型语言模型以精确处理和提取有价值的内容，都是需要解决的问题。通过成功实施这一流程，我们不仅验证了LLM与Web爬虫结合的有效性，还进一步探索了如何通过自动化工具提高研究和分析的效率。

数据加载

通过上面对关键问题的分析，让我们先为即将进行的技术旅程做好准备。从网页内容的加载到信息的转换，再到利用LLM提取关键数据，都是构建有效网络研究工具的关键环节。

首先，我们将面对的挑战是如何高效地加载网页内容。异步HTML加载器（AsyncHtmlLoader）扮演着至关重要的角色。使用aiohttp库构建的AsyncHtmlLoader能够进行异步HTTP请求，非常适合于简单轻量级的网页抓取工作。这意味着它能够同时处理多个URL的请求，提高了数据抓取的效率，特别是当我们需要从多个网站快速获取信息时。

对于那些更复杂的网站，其中的内容可能依赖于JavaScript渲染，我们可能需要更强大的工具，例如AsyncChromiumLoader。这个加载器利用Playwright来启动一个Chromium实例，它不仅可以处理JavaScript渲染，还可以应对更复杂的Web交互。Playwright是一个强大的库，支持多种浏览器自动化操作，其中Chromium就是一个被广泛支持的浏览器。

Chromium可以在无头模式下运行，即没有图形用户界面的浏览器，这在网页抓取中很常见。在无头模式下，浏览器后台运行，执行自动化任务，而用户不会看到任何的浏览器窗口。这样的操作对于服务器端的抓取任务尤其有用，因为它们可以模拟浏览器中的完整用户交互过程，而不需要实际显示界面。

无头模式，或称为“无界面模式”，是一种在不打开图形界面的情况下运行应用程序的方式。想象一下，你的电脑在执行一些任务，如下载文件、刷新数据或运行一个复杂的计算过程，而这一切都在没有打开任何窗口的情况下静静进行。这正是无头模式的工作原理。

在Web开发和自动化测试领域，无头模式尤为有用。例如，开发者可能需要测试一个网页在不同浏览器中的表现，但并不需要真正地视觉上检查这些网页，而是要检查代码的运行结果。在这种情况下，他们可以使用无头模式的浏览器来模拟用户的行为，如点击链接、填写表单等，同时浏览器本身不会在屏幕上显示。

实际上，我们介绍了AsyncHtmlLoader和AsyncChromiumLoader两种加载器，本例中我们使用前者就足够了，其示例代码如下：

from langchain.document_loaders import AsyncHtmlLoaderurls = ["https://www.wsj.com"]loader = AsyncHtmlLoader(urls)docs = loader.load()

代码创建一个加载器实例并传入需要抓取的URL列表。随后，调用`load`方法就会异步加载这些页面的内容。

文本转换

解决了数据加载的问题，让我们把目光转向文本转换。文本转换是网络爬虫技术中的一个重要环节，它负责将抓取的HTML内容转换成便于处理的纯文本格式。在这一阶段，我们可以选用不同的工具，根据不同的需求来实现这一转换。

首先是HTML2Text，这是一个直接将HTML内容转换为纯文本的工具，生成的格式类似于Markdown。这种转换方法适合于那些目标是提取可读文本而不需要操作特定HTML标签的场景。它简化了转换流程，能够迅速提供一个干净的文本版本，适合阅读和进一步分析。

而Beautiful Soup则提供了更细粒度的控制能力。使用Beautiful Soup，我们可以执行特定标签的提取、删除和内容清理，这对于需要从HTML内容中提取特定信息的场景来说非常适合。例如，如果我们需要从一个新闻网站中提取文章标题和摘要，而这些内容是通过``标签来标识的，Beautiful Soup就可以精确地定位这些标签并提取它们的内容。

在实际操作中，我们可以先使用AsyncHtmlLoader来加载目标网站的文档。接着，我们可以使用Html2TextTransformer来对加载的HTML文档进行转换。如下代码所示：

from langchain.document_loaders import AsyncHtmlLoaderfrom langchain.document_transformers import Html2TextTransformerurls = ["https://www.wsj.com"]loader = AsyncHtmlLoader(urls)docs = loader.load()html2text = Html2TextTransformer()docs_transformed = html2text.transform_documents(docs)

以上代码演示了如何将加载的HTML文档转换为文本。这样，我们就可以得到一个文本版本的文档，其中包含了从原始HTML中提取出来的文本内容。

信息抽取

当我们准备好了数据之后，接下来的重要步骤是数据的抽取，这是大型语言模型（LLM）发挥作用的时刻。网络爬虫面临的挑战之一是现代网站布局和内容不断变化，这要求我们不停地修改爬虫脚本以适应这些变化。通过结合OpenAI的功能调用（Function）和抽取链（Extraction Chain），我们可以避免在网站更新时不断更改代码。

为了确保我们能够使用OpenAI Functions特性，我们选择使用`gpt-3.5-turbo-0613`模型。同时，为了降低LLM的随机性，我们将温度参数（temperature）设置为0。

from langchain.chat_models import ChatOpenAIllm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo-0613")

接下来，我们定义一个数据抽取模式（Schema），以指定我们想要抽取的数据类型。在这里，关键字的命名非常重要，因为它们告诉LLM我们想要的信息类型。所以，描述时要尽可能详细。

例如，在本例中，我们想要从华尔街日报网站抽取新闻文章的标题和摘要。

from langchain.chains import create_extraction_chainschema = {"properties": {"news_article_title": {"type": "string"},"news_article_summary": {"type": "string"},},"required": ["news_article_title", "news_article_summary"],}

然后，我们可以定义一个抽取函数，它使用定义的模式和LLM来运行内容抽取。

def extract(content: str, schema: dict):return create_extraction_chain(schema=schema, llm=llm).run(content)

通过这种方式，LLM可以从文本中精确地抽取出我们需要的信息，并生成我们需要的结构化数据。这种结合了LLM的抽取链的方法，不仅提高了数据处理的准确性，也极大地简化了我们处理网站内容变化的工作。

代码实施

解决三个关键文字之后，我们将生成整体代码如下，代码展示了如何使用Playwright结合LangChain库来实现一个完整的网络爬虫和内容抽取的工作流。

import pprintfrom langchain.text_splitter import RecursiveCharacterTextSplitterdef scrape_with_playwright(urls, schema):loader = AsyncChromiumLoader(urls)docs = loader.load()bs_transformer = BeautifulSoupTransformer()docs_transformed = bs_transformer.transform_documents(docs, tags_to_extract=["span"])print("Extracting content with LLM")# Grab the first 1000 tokens of the sitesplitter = RecursiveCharacterTextSplitter.from_tiktoken_encoder(chunk_size=1000, chunk_overlap=0)splits = splitter.split_documents(docs_transformed)# Process the first splitextracted_content = extract(schema=schema, content=splits[0].page_content)pprint.pprint(extracted_content)return extracted_contenturls = ["https://www.wsj.com"]extracted_content = scrape_with_playwright(urls, schema=schema)

下面是代码解释：

1. 首先，导入了必要的库和工具，包括用于打印的`pprint`和LangChain中的文本拆分器`RecursiveCharacterTextSplitter`。

2. 定义了一个`scrape_with_playwright`函数，该函数接收`urls`和`schema`作为参数。这里的`urls`是想要爬取的网站地址列表，而`schema`定义了想要从这些网页中抽取的数据结构。

3. 在函数内部，创建了一个`AsyncChromiumLoader`实例并传入了URL列表。这个加载器负责异步获取每个URL对应网页的HTML内容。

4. 接着，使用Beautiful Soup转换器`BeautifulSoupTransformer`来处理加载的HTML文档。在这个例子中，我们特别关注于``标签，因为我们假设这些标签包含了新闻文章的标题和摘要信息。

5. 使用`RecursiveCharacterTextSplitter`创建一个分割器实例，它基于给定的`chunk_size`（这里是1000个字符）来拆分文档内容。这是为了处理大型文档时，能够将其分割成小块以适应LLM处理的限制。

6. 处理拆分后的第一部分内容，并通过`extract`函数（需要定义）来抽取出符合`schema`定义的数据。

7. 最后，使用`pprint`打印出抽取的内容，并将其作为函数的返回值。

这个流程从头到尾将网页爬取、内容转换和数据抽取整合在一起，形成了一个端到端的解决方案，可以在不需要人工干预的情况下从网页中提取有结构的数据。

查看结果如下图所示，由于网页内容比较多，我们选取其中一组数据来观察，这里将新闻的标题和摘要进行了分割。

同时，结合之前研究网站页面的截图进行参考如下，“House Authorizes Formally Opening GOP’s Biden Impeachment Probe”这篇文章被我们通过网页加载、文本转换，大模型抽取的方式获得了。

总结

本文详细说明了利用网络爬虫技术和LLM结合的流程，通过案例分析验证了这一思路的可行性。从实时获取华尔街日报网站的数据开始，文章阐述了如何通过异步HTML加载器、文本转换工具、以及LLM进行精准的内容抽取，最终形成一个自动化、高效的网络研究工具。这不仅展示了LLM与网络爬虫技术结合的强大潜力，还探讨了如何提高研究和分析效率。

作者介绍

崔皓，51CTO社区编辑，资深架构师，拥有18年的软件开发和架构经验，10年分布式架构经验。