wehub-resource-sync
240 lines
12 KiB
Markdown
240 lines
12 KiB
Markdown
## 🚀 **¿Buscas una forma aún más rápida y sencilla de hacer scraping a escala (con solo 5 líneas de código)?** ¡Checa nuestra versión mejorada en [**ScrapeGraphAI.com**](https://scrapegraphai.com/?utm_source=github&utm_medium=readme&utm_campaign=oss_cta&utm_content=top_banner)! 🚀
|
|
|
|
---
|
|
|
|
# 🕷️ ScrapeGraphAI: You Only Scrape Once
|
|
|
|
<p align="center">
|
|
<a href="https://scrapegraphai.com">
|
|
<img src="https://raw.githubusercontent.com/ScrapeGraphAI/Scrapegraph-ai/main/media/banner.png" alt="ScrapeGraphAI" style="width: 100%;">
|
|
</a>
|
|
</p>
|
|
|
|
[English](../README.md) | [中文](chinese.md) | [日本語](japanese.md)
|
|
| [한국어](korean.md)
|
|
| [Русский](russian.md) | [Türkçe](turkish.md)
|
|
| [Deutsch](german.md)
|
|
| [Español](spanish.md)
|
|
| [français](french.md)
|
|
| [Português](portuguese.md)
|
|
| [Italiano](italian.md)
|
|
|
|
[](https://pepy.tech/projects/scrapegraphai)
|
|
|
|
[](https://opensource.org/licenses/MIT)
|
|
[](https://discord.gg/gkxQDAjfeX)
|
|
|
|
<p align="center">
|
|
<a href="https://trendshift.io/repositories/15078" target="_blank"><img src="https://trendshift.io/api/badge/repositories/15078" alt="ScrapeGraphAI%2FScrapegraph-ai | Trendshift" style="width: 250px; height: 55px;" width="250" height="55"/></a>
|
|
<p align="center">
|
|
|
|
[ScrapeGraphAI](https://scrapegraphai.com) es una librería de Python para *web scraping* que usa LLMs y lógica de grafos para crear pipelines de extracción de datos en sitios web y documentos locales (XML, HTML, JSON, Markdown, etc.).
|
|
|
|
¡Solo dile qué información quieres extraer y la librería lo hace por ti!
|
|
|
|
<p align="center">
|
|
<img src="https://raw.githubusercontent.com/ScrapeGraphAI/Scrapegraph-ai/main/docs/assets/sgai-hero.png" alt="ScrapeGraphAI Hero" style="width: 100%;">
|
|
</p>
|
|
|
|
## 🚀 Integraciones
|
|
|
|
ScrapeGraphAI se integra de forma nativa con los frameworks y herramientas más populares para potenciar tus capacidades de scraping. Ya sea que estés desarrollando en Python o Node.js, usando frameworks de LLMs o plataformas no-code, tenemos todo cubierto.
|
|
|
|
Puedes encontrar más información en el siguiente [link](https://scrapegraphai.com)
|
|
|
|
**Integraciones**:
|
|
- **API**: [Documentación](https://docs.scrapegraphai.com/introduction)
|
|
- **SDKs**: [Python](https://docs.scrapegraphai.com/sdks/python), [Node](https://docs.scrapegraphai.com/sdks/javascript)
|
|
- **Frameworks de LLMs**: [Langchain](https://docs.scrapegraphai.com/integrations/langchain), [Llama Index](https://docs.scrapegraphai.com/integrations/llamaindex), [Crew.ai](https://docs.scrapegraphai.com/integrations/crewai), [Agno](https://docs.scrapegraphai.com/integrations/agno), [CamelAI](https://github.com/camel-ai/camel)
|
|
- **Frameworks low-code**: [Pipedream](https://pipedream.com/apps/scrapegraphai), [Bubble](https://bubble.io/plugin/scrapegraphai-1745408893195x213542371433906180), [Zapier](https://zapier.com/apps/scrapegraphai/integrations), [n8n](http://localhost:5001/dashboard), [Dify](https://dify.ai), [Toolhouse](https://app.toolhouse.ai/mcp-servers/scrapegraph_smartscraper)
|
|
- **Servidor MCP**: [Link](https://smithery.ai/server/@ScrapeGraphAI/scrapegraph-mcp)
|
|
|
|
## 🚀 Instalación rápida
|
|
|
|
La página de referencia de Scrapegraph-ai está disponible en PyPI: [pypi](https://pypi.org/project/scrapegraphai/).
|
|
|
|
```bash
|
|
pip install scrapegraphai
|
|
|
|
# IMPORTANTE (para hacer fetch del contenido de los sitios web)
|
|
playwright install
|
|
```
|
|
|
|
**Nota**: se recomienda instalar la librería en un entorno virtual para evitar conflictos con otras dependencias 🐱
|
|
|
|
|
|
## 💻 Uso
|
|
|
|
Hay múltiples pipelines de scraping estándar para extraer información de un sitio web o archivo local.
|
|
|
|
El más común es `SmartScraperGraph`, que extrae información de una sola página dado un prompt y una URL de origen.
|
|
|
|
```python
|
|
from scrapegraphai.graphs import SmartScraperGraph
|
|
|
|
# Define the configuration for the scraping pipeline
|
|
graph_config = {
|
|
"llm": {
|
|
"model": "ollama/llama3.2",
|
|
"model_tokens": 8192,
|
|
"format": "json",
|
|
},
|
|
"verbose": True,
|
|
"headless": False,
|
|
}
|
|
|
|
# Create the SmartScraperGraph instance
|
|
smart_scraper_graph = SmartScraperGraph(
|
|
prompt="Extract useful information from the webpage, including a description of what the company does, founders and social media links",
|
|
source="https://scrapegraphai.com/",
|
|
config=graph_config
|
|
)
|
|
|
|
# Run the pipeline
|
|
result = smart_scraper_graph.run()
|
|
|
|
import json
|
|
print(json.dumps(result, indent=4))
|
|
```
|
|
|
|
> [!NOTE]
|
|
> Para OpenAI y otros modelos solo necesitas cambiar el config del LLM:
|
|
> ```python
|
|
> graph_config = {
|
|
> "llm": {
|
|
> "api_key": "YOUR_OPENAI_API_KEY",
|
|
> "model": "openai/gpt-4o-mini",
|
|
> },
|
|
> "verbose": True,
|
|
> "headless": False,
|
|
> }
|
|
> ```
|
|
|
|
|
|
El output será un diccionario como el siguiente:
|
|
|
|
```python
|
|
{
|
|
"description": "ScrapeGraphAI transforms websites into clean, organized data for AI agents and data analytics. It offers an AI-powered API for effortless and cost-effective data extraction.",
|
|
"founders": [
|
|
{
|
|
"name": "",
|
|
"role": "Founder & Technical Lead",
|
|
"linkedin": "https://www.linkedin.com/in/perinim/"
|
|
},
|
|
{
|
|
"name": "Marco Vinciguerra",
|
|
"role": "Founder & Software Engineer",
|
|
"linkedin": "https://www.linkedin.com/in/marco-vinciguerra-7ba365242/"
|
|
},
|
|
{
|
|
"name": "Lorenzo Padoan",
|
|
"role": "Founder & Product Engineer",
|
|
"linkedin": "https://www.linkedin.com/in/lorenzo-padoan-4521a2154/"
|
|
}
|
|
],
|
|
"social_media_links": {
|
|
"linkedin": "https://www.linkedin.com/company/101881123",
|
|
"twitter": "https://x.com/scrapegraphai",
|
|
"github": "https://github.com/ScrapeGraphAI/Scrapegraph-ai"
|
|
}
|
|
}
|
|
```
|
|
|
|
Existen otros pipelines para extraer información de múltiples páginas, generar scripts de Python o incluso generar archivos de audio.
|
|
|
|
| Nombre del Pipeline | Descripción |
|
|
|-------------------------|-----------------------------------------------------------------------------------------------------------------------|
|
|
| SmartScraperGraph | Scraper de una sola página que solo requiere un prompt y una fuente de entrada. |
|
|
| SearchGraph | Scraper multi-página que extrae información de los primeros n resultados de un motor de búsqueda. |
|
|
| SpeechGraph | Scraper de una sola página que extrae información de un sitio web y genera un archivo de audio. |
|
|
| ScriptCreatorGraph | Scraper de una sola página que extrae información de un sitio web y genera un script de Python. |
|
|
| SmartScraperMultiGraph | Scraper multi-página que extrae información de múltiples páginas con un solo prompt y una lista de fuentes. |
|
|
| ScriptCreatorMultiGraph | Scraper multi-página que genera un script de Python para extraer información de múltiples páginas y fuentes. |
|
|
|
|
Cada uno de estos grafos tiene su versión multi, que permite hacer llamadas al LLM en paralelo.
|
|
|
|
Es posible usar diferentes LLMs mediante APIs como **OpenAI**, **Groq**, **Azure**, **Gemini**, **MiniMax** y más, o modelos locales usando **Ollama**.
|
|
|
|
Recuerda tener [Ollama](https://ollama.com/) instalado y descargar los modelos con el comando **ollama pull** si quieres usar modelos locales.
|
|
|
|
|
|
## 📖 Documentación
|
|
|
|
[](https://colab.research.google.com/drive/1sEZBonBMGP44CtO6GQTwAlL0BGJXjtfd?usp=sharing)
|
|
|
|
La documentación de ScrapeGraphAI está disponible [aquí](https://docs.scrapegraphai.com/introduction).
|
|
|
|
## 🤝 Contribuciones
|
|
|
|
¡Siéntete libre de contribuir y únete a nuestro servidor de Discord para discutir mejoras y compartir sugerencias!
|
|
|
|
Por favor revisa las [guías de contribución](https://github.com/ScrapeGraphAI/Scrapegraph-ai/blob/main/CONTRIBUTING.md).
|
|
|
|
[](https://discord.gg/uJN7TYcpNa)
|
|
[](https://www.linkedin.com/company/scrapegraphai/)
|
|
[](https://twitter.com/scrapegraphai)
|
|
|
|
## 🔗 API y SDKs de ScrapeGraph
|
|
|
|
Si buscas una solución rápida para integrar ScrapeGraph en tu sistema, checa nuestra API [aquí](https://dashboard.scrapegraphai.com/login).
|
|
|
|
[](https://dashboard.scrapegraphai.com/login)
|
|
|
|
Ofrecemos SDKs en Python y Node.js para facilitar la integración en tus proyectos:
|
|
|
|
| SDK | Lenguaje | GitHub Link |
|
|
|-------------|----------|----------------------------------------------------------------------------------------------|
|
|
| Python SDK | Python | [scrapegraph-py](https://docs.scrapegraphai.com/sdks/python) |
|
|
| Node.js SDK | Node.js | [scrapegraph-js](https://docs.scrapegraphai.com/sdks/javascript) |
|
|
|
|
La documentación oficial de la API está disponible [aquí](https://docs.scrapegraphai.com/introduction).
|
|
|
|
## 🔥 Benchmark
|
|
|
|
¡Según el benchmark de Firecrawl [Firecrawl benchmark](https://scrapegraphai.com/compare/firecrawl), ScrapeGraph es el mejor fetcher del mercado!
|
|
|
|
|
|
|
|
## 📈 Telemetría
|
|
|
|
Recopilamos métricas de uso anónimas para mejorar la calidad del paquete y la experiencia del usuario. Los datos nos ayudan a priorizar mejoras y garantizar compatibilidad. Si deseas hacer opt-out, configura la variable de entorno `SCRAPEGRAPHAI_TELEMETRY_ENABLED=false`. Para más información consulta la documentación [aquí](https://docs.scrapegraphai.com/introduction).
|
|
|
|
## ❤️ Contributors
|
|
|
|
[](https://github.com/ScrapeGraphAI/Scrapegraph-ai/graphs/contributors)
|
|
|
|
## 🎓 Citas
|
|
|
|
Si usaste nuestra librería para investigación, por favor cítanos con la siguiente referencia:
|
|
|
|
```text
|
|
@misc{scrapegraph-ai,
|
|
author = {Lorenzo Padoan, Marco Vinciguerra},
|
|
title = {Scrapegraph-ai},
|
|
year = {2024},
|
|
url = {https://github.com/ScrapeGraphAI/Scrapegraph-ai},
|
|
note = {A Python library for scraping leveraging large language models}
|
|
}
|
|
```
|
|
|
|
## Autores
|
|
|
|
| | Contacto |
|
|
|--------------------|----------------------|
|
|
| Marco Vinciguerra | [](https://www.linkedin.com/in/marco-vinciguerra-7ba365242/) |
|
|
| Lorenzo Padoan | [](https://www.linkedin.com/in/lorenzo-padoan-4521a2154/) |
|
|
|
|
## 📜 Licencia
|
|
|
|
ScrapeGraphAI está licenciado bajo la Licencia MIT. Consulta el archivo [LICENSE](https://github.com/ScrapeGraphAI/Scrapegraph-ai/blob/main/LICENSE) para más información.
|
|
|
|
## Agradecimientos
|
|
|
|
- Queremos agradecer a todos los contributors del proyecto y a la comunidad open-source por su apoyo.
|
|
- ScrapeGraphAI está pensado únicamente para exploración de datos e investigación. No nos hacemos responsables del mal uso de la librería.
|
|
|
|
Hecho con ❤️ por [ScrapeGraph AI](https://scrapegraphai.com)
|
|
|
|
[Scarf tracking](https://static.scarf.sh/a.png?x-pxid=102d4b8c-cd6a-4b9e-9a16-d6d141b9212d)
|