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由 LLM 驱动的工作流。

LlamaIndex 与 Oxylabs 网页爬虫API 的集成使你可以在同一工作流中通过 LLM（大语言模型）抓取并处理网页数据。

概览

LlamaIndex 是一个数据框架，用于构建带外部数据源的 LLM 应用。将其与 Oxylabs 网页爬虫API 一起使用以：

• 抓取结构化数据，无需处理 CAPTCHA、IP 封锁或 JS 渲染

• 在同一流水线中使用 LLM 处理结果

• 从提取到 AI 驱动输出，构建端到端工作流

快速开始

创建你的 API 用户凭据： 注册免费试用，或在 Oxylabs 控制面板 中购买产品以创建你的 API 用户凭据（USERNAME 并 PASSWORD).

如果你账户需要多个 API 用户，请联系我们的客户支持，或通过我们的 24/7 实时聊天支持发送消息。

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

在你的项目目录中创建一个 .env 文件，写入你的 Oxylabs 网页爬虫API 凭据和 OpenAI API 密钥：

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

在 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，有两种方式通过网页爬虫API 访问网页内容：

Oxylabs Reader

该 llama-index-readers-oxylabs 模块包含一些特定类，可让你从各种来源抓取数据：

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

例如，你可以提取 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 Reader

使用 OxylabsWebReader 类，你可以从任何 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

下面是一个简单 AI 代理的示例，它可以搜索 Google 并回答问题：

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

网页爬虫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

你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 对于从网页内容构建向量索引特别有用：

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('这些页面的主要主题是什么？')
print(response)