数据采集新篇章：AI与大模型的融合应用
开篇
在AIGC（人工智能与通用计算）应用中，大型语言模型（LLM）占据着举足轻重的地位。这些模型，如GPT和BERT系列，通过处理和分析庞大的数据集，已经极大地推动了自然语言理解和生成的边界。它们在多种应用中表现出色，如文本生成、语言翻译、情感分析等，对提高工作效率和展开创新的应用场景起着关键作用。
然而，LLM在处理实时数据方面存在一定的局限性。这些模型主要基于大量历史数据进行训练，因此，在理解和分析实时或最新信息时可能不够灵敏。在应对新兴话题或最新发展趋势时，LLM可能无法提供最准确的信息，因为这些内容可能尚未包含在其训练数据中。此外，LLM在快速处理和反应实时变化方面也面临挑战，尤其是在需要分析和反映最新市场动态、政策变化或社会事件时。
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`<span>`标签中。如下图所示，文章的标题是在`<span>`标签中。
如下图所示，我们观察到，文章的摘要也是保存在<span>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 AsyncHtmlLoader
urls = ["https://www.wsj.com"]
loader = AsyncHtmlLoader(urls)
docs = loader.load()
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`<span>`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 AsyncHtmlLoader
from langchain.document_transformers import Html2TextTransformer
urls = ["https://www.wsj.com"]
loader = AsyncHtmlLoader(urls)
docs = loader.load()
html2text = Html2TextTransformer()
docs_transformed = html2text.transform_documents(docs)
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 ChatOpenAI
llm = ChatOpenAI(temperature=0, model="gpt-3.5-turbo-0613")
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_chain
schema = {
"properties": {
"news_article_title": {"type": "string"},
"news_article_summary": {"type": "string"},
},
"required": ["news_article_title", "news_article_summary"],
}
def extract(content: str, schema: dict):
return create_extraction_chain(schema=schema, llm=llm).run(content)
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 pprint
from langchain.text_splitter import RecursiveCharacterTextSplitter
def 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 site
splitter = RecursiveCharacterTextSplitter.from_TikToken_encoder(
chunk_size=1000, chunk_overlap=0
)
splits = splitter.split_documents(docs_transformed)
# Process the first split
extracted_content = extract(schema=schema, content=splits[0].page_content)
pprint.pprint(extracted_content)
return extracted_content
urls = ["https://www.wsj.com"]
extracted_content = scrape_with_playwright(urls, schema=schema)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`<span>`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。
