Markdown Crawler 使用教程
markdown-crawlerA multithreaded 🕸️ web crawler that recursively crawls a website and creates a 🔽 markdown file for each page, designed for LLM RAG项目地址:https://gitcode.com/gh_mirrors/ma/markdown-crawler
项目介绍
Markdown Crawler 是一个多线程的 Python 网络爬虫,它能够递归地爬取网站并为每个页面创建 Markdown 文件。该项目主要用于大型语言模型文档解析,以简化 RAG(检索增强生成)用例的大型文档的分块和处理。Markdown 文件本质上是人类可读的,并保持文档结构,同时占用空间较小。
项目快速启动
安装
首先,你需要安装 Markdown Crawler 包。你可以通过 pip 来安装:
pip install markdown-crawler
执行
安装完成后,你可以通过命令行来运行爬虫。以下是一个示例命令:
markdown-crawler -t 5 -d 3 -b /markdown https://en.wikipedia.org/wiki/Morty_Smith
代码示例
你也可以在 Python 代码中直接使用该库:
from markdown_crawler import md_crawl
url = 'https://en.wikipedia.org/wiki/Morty_Smith'
md_crawl(url, max_depth=3, num_threads=5, base_path='markdown')
应用案例和最佳实践
RAG(检索增强生成)
Markdown Crawler 可以用于标准化大型文档,并按标题、段落或句子的块进行分块。这对于 RAG 用例非常有用。
LLM 微调
作为第一步,你可以使用 Markdown Crawler 创建大型 Markdown 文件语料库,并利用 GPT-3.5-turbo 或 Mistral-7B 提取问答对。
代理知识
你可以将 Markdown Crawler 与 autogen 结合用于专家代理。例如,如果你想重建视频游戏或电影的知识语料库,可以使用它来生成给定的专家语料库。
典型生态项目
BeautifulSoup
Markdown Crawler 使用 BeautifulSoup 解析 HTML,这是一个非常流行的 Python 库,用于从网页中提取数据。
requests
该爬虫使用 requests 库进行 HTTP 请求,这是一个功能强大且易于使用的 HTTP 库。
markdownify
Markdown Crawler 使用 markdownify 将 HTML 转换为 Markdown 格式,这是一个简单而强大的工具。
通过以上步骤和示例,你可以快速上手并使用 Markdown Crawler 进行网站内容的抓取和转换。
markdown-crawlerA multithreaded 🕸️ web crawler that recursively crawls a website and creates a 🔽 markdown file for each page, designed for LLM RAG项目地址:https://gitcode.com/gh_mirrors/ma/markdown-crawler