LlamaIndex

利用 LlamaIndex 与 Oxylabs 网页爬虫 API 的集成，轻松摄取在线内容并构建基于 LLM 的工作流。

LlamaIndex 与 Oxylabs 网页爬虫 API 使您能够在同一工作流中通过 LLM（大型语言模型）抓取并处理网页数据。

概览

LlamaIndex 是一个用于将外部数据源与 LLM 应用结合的数 据框架。将其与 Oxylabs 网页爬虫 API 一起用于：

• 抓取结构化数据而无需处理 CAPTCHA、IP 阻止或 JS 渲染

• 在同一管道中使用 LLM 处理结果

• 构建从提取到 AI 驱动输出的端到端工作流

快速开始

创建您的 API 用户凭证： 注册免费试用或在 Oxylabs 仪表板 注册试用或购买产品以创建您的 API 用户凭证（USERNAME 和 PASSWORD).

购买产品。如果您的账户需要多个 API 用户，请联系客户支持或使用我们的 24/7 在线聊天支持发送信息。

环境设置

在本指南中我们将使用 Python 编程语言。使用 pip 安装所需库：

pip install -qU llama-index llama-index-readers-oxylabs llama-index-readers-web

在项目目录中创建一个 .env 文件，内含您的 Oxylabs 网页爬虫 API 凭证和 OpenAI API 密钥：

OXYLABS_USERNAME=your_API_username
OXYLABS_PASSWORD=your_API_password
OPENAI_API_KEY=your-openai-key

在您的 Python 脚本中加载这些环境变量：

import os
from dotenv import load_dotenv

load_dotenv()

集成方法

在 LlamaIndex 中通过 Web Scraper API 访问网页内容有两种方式：

Oxylabs Reader

该 llama-index-readers-oxylabs 模块包含可让您从各种来源抓取数据的特定类：

API 数据源	读取器类
Google 网页搜索	OxylabsGoogleSearchReader
Google 搜索广告	OxylabsGoogleAdsReader
Amazon 产品	OxylabsAmazonProductReader
Amazon 搜索	OxylabsAmazonSearchReader
Amazon 评论	OxylabsAmazonReviewsReader
YouTube 文本转录	OxylabsYoutubeTranscriptReader

例如，您可以提取 Google 搜索结果：

import os
from dotenv import load_dotenv
from llama_index.readers.oxylabs import OxylabsGoogleSearchReader

load_dotenv()
reader = OxylabsGoogleSearchReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)
results = reader.load_data({
    'query': 'best pancake recipe',
    'parse': True
})
print(results[0].text)

Oxylabs Web 阅读器

使用 OxylabsWebReader 类，您可以从任何 URL 提取数据：

import os
from dotenv import load_dotenv
from llama_index.readers.web import OxylabsWebReader

load_dotenv()
reader = OxylabsWebReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)
results = reader.load_data(
    [
        'https://sandbox.oxylabs.io/products/1',
        'https://sandbox.oxylabs.io/products/2'
    ]
)
for result in results:
    print(result.text + '\n')

构建一个基础 AI 搜索代理

下面是一个可以搜索 Google 并回答问题的简单 AI 代理示例：

import os
import asyncio
from dotenv import load_dotenv
from llama_index.readers.oxylabs import OxylabsGoogleSearchReader
from llama_index.core.agent.workflow import FunctionAgent
from llama_index.llms.openai import OpenAI

load_dotenv()
reader = OxylabsGoogleSearchReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)

def web_search(query: str) -> str:
    results = reader.load_data({'query': query, 'parse': True})
    return results[0].text

agent = FunctionAgent(
    tools=[web_search],
    llm=OpenAI(model='gpt-4o-mini'),
    max_function_calls=1,
    system_prompt=(
        'Craft a short Google search query to use with the `web_search` tool. '
        'Analyze the most relevant results and answer the question.'
    )
)

async def main():
    response = await agent.run('How did DeepSeek affect the stock market?')
    print(response)

if __name__ == '__main__':
    asyncio.run(main())

高级配置

处理动态内容

Web Scraper API 可以处理 JavaScript 渲染：

reader = OxylabsWebReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)

results = reader.load_data(
    [
        'https://quotes.toscrape.com/js/'
    ],
    {'render': 'html'}
)

设置用户代理类型

您可以指定不同的用户代理：

reader = OxylabsWebReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)

results = reader.load_data(
    [
        'https://sandbox.oxylabs.io/products/1'
    ],
    {'user_agent_type': 'mobile'}
)

使用目标特定参数

许多目标特定的爬虫支持额外参数：

reader = OxylabsGoogleSearchReader(
    os.getenv('OXYLABS_USERNAME'),
    os.getenv('OXYLABS_PASSWORD')
)
results = reader.load_data({
    'query': 'iphone',
    'parse': True,
    'domain': 'com',
    'start_page': 2,
    'pages': 3
})

创建向量索引

LlamaIndex 在从网页内容构建向量索引方面特别有用：

import os
from dotenv import load_dotenv
from llama_index.readers.web import OxylabsWebReader
from llama_index.core import Settings, VectorStoreIndex
from llama_index.llms.openai import OpenAI

load_dotenv()
reader = OxylabsWebReader(
    os.getenv('OXYLABS_USERNAME'), os.getenv('OXYLABS_PASSWORD')
)
documents = reader.load_data([
    'https://sandbox.oxylabs.io/products/1',
    'https://sandbox.oxylabs.io/products/2'
])

# 配置 LlamaIndex 设置
Settings.llm = OpenAI(model='gpt-4o-mini')

# 创建索引
index = VectorStoreIndex.from_documents(documents)

# 查询索引
query_engine = index.as_query_engine()
response = query_engine.query('What is the main topic of these pages?')
print(response)