LangChain

结合使用 LangChain 框架和 Oxylabs 网页爬虫API 来提取网页数据并将其输入 LLM 工作流——在一个流水线中完成采集、处理和分析。

该 LangChain 与以下内容的集成 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）收集和处理网页数据。

概述

LangChain 是一个用于构建应用的框架，可让 LLM 与工具、API 和网页数据结合使用。它同时支持 Python 和 JavaScript。将它与 Oxylabs 网页爬虫API 一起使用，以：

• 抓取结构化数据，而无需处理 CAPTCHA、IP 封锁或 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

开始使用

创建你的 API 用户凭证一起使用：注册免费试用，或在以下位置购买产品 Oxylabs 仪表板 中购买产品，以创建你的 API 用户凭证（USERNAME 和 PASSWORD).

如果你的账户需要多个 API 用户，请联系我们的 客户支持 或向我们的 24/7 在线聊天支持发送消息。

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 langchain-oxylabs langchain-openai langgraph requests python-dotenv

环境设置

创建一个 .env 在您的项目目录中创建 `file`，并填入您的 Oxylabs API 用户名和 OpenAI 凭据：

OXYLABS_USERNAME=your-username
OXYLABS_PASSWORD=your-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

将 Oxylabs 网页爬虫API 与 LangChain 集成主要有两种方式：

使用 langchain-oxylabs 包

对于 Google 搜索查询，请使用专用的 langchain-oxylabs 包，它提供了可直接使用的集成：

import os
from dotenv import load_dotenv
from langchain.chat_models import init_chat_model
from langgraph.prebuilt import create_react_agent
from langchain_oxylabs import OxylabsSearchAPIWrapper, OxylabsSearchRun

load_dotenv()

# Initialize your preferred LLM model
llm = init_chat_model(
    "gpt-4o-mini",
    model_provider="openai",
    api_key=os.getenv("OPENAI_API_KEY")
)

# Initialize the Google search tool
search = OxylabsSearchRun(
    wrapper=OxylabsSearchAPIWrapper(
        oxylabs_username=os.getenv("OXYLABS_USERNAME"),
        oxylabs_password=os.getenv("OXYLABS_PASSWORD")
    )
)

# Create an agent that uses the Google search tool
agent = create_react_agent(llm, [search])

# Example usage
user_input = "When and why did the Maya civilization collapse?"
response = agent.invoke({"messages": user_input})
print(response["messages"][-1].content)

使用网页爬虫API

如需访问 Google 搜索之外的其他网站，您可以直接向网页爬虫API发送请求：

import os
import requests
from dotenv import load_dotenv
from langchain_openai import OpenAI
from langchain_core.prompts import PromptTemplate

load_dotenv()

def scrape_website(url):
    """使用 Oxylabs 网页爬虫API 抓取网站"""
    payload = {
        "source": "universal",
        "url": url,
        "parse": True
    }
    response = requests.post(
        "https://realtime.oxylabs.io/v1/queries",
        auth=(os.getenv("OXYLABS_USERNAME"), os.getenv("OXYLABS_PASSWORD")),
        json=payload
    )
    
    if response.status_code == 200:
        data = response.json()
        content = data["results"][0]["content"]
        return str(content)
    else:
        print(f"Failed to scrape website: {response.text}")
        return None

def process_content(content):
    """使用 LangChain 处理抓取的内容"""
    if not content:
        print("No content to process.")
        return None
        
    prompt = PromptTemplate.from_template(
        "Analyze the following website content and summarize key points: {content}"
    )
    chain = prompt | OpenAI(api_key=os.getenv("OPENAI_API_KEY"))
    result = chain.invoke({"content": content})
    return result

def main(url):
    print("Scraping website...")
    scraped_content = scrape_website(url)
    if scraped_content:
        print("Processing scraped content with LangChain...")
        analysis = process_content(scraped_content)
        print("\nProcessed Analysis:\n", analysis)
    else:
        print("No content scraped.")

if __name__ == "__main__":
    url = "https://sandbox.oxylabs.io/products/1"
    main(url)

特定目标抓取器

Oxylabs 提供 专用抓取器 适用于各种常见网站。以下是一些可用源的示例：

网站	源参数	必需参数
Google	google_search	query
Amazon	amazon_search	query, 域名 （可选）
Walmart	walmart_search	query
目标	target_search	query
Kroger	kroger_search	query, store_id
Staples	staples_search	query

要使用特定抓取器，请修改 scrape_website 函数中的 `payload`：

# Example for Amazon search
payload = {
    "source": "amazon_search",
    "query": "smartphone",
    "domain": "com",
    "parse": True
}

高级配置

处理动态内容

网页爬虫API可以处理 JavaScript 渲染 方法是添加 render 参数：

payload = {
    "source": "universal",
    "url": url,
    "parse": True,
    "render": "html"
}

设置 user agent 类型

您可以指定不同的 用户代理 以模拟不同设备：

payload = {
    "source": "universal",
    "url": url,
    "parse": True,
    "render": "html",
    "user_agent_type": "mobile"
}

使用目标特定参数

许多 特定目标抓取器 支持附加参数：

# Example for Kroger with location parameters
payload = {
    "source": "kroger_search",
    "query": "organic milk",
    "store_id": "01100002",
    "fulfillment_type": "pickup"
}

错误处理

为生产应用实现适当的错误处理：

try:
    response = requests.post(
        "https://realtime.oxylabs.io/v1/queries",
        auth=(os.getenv("OXYLABS_USERNAME"), os.getenv("OXYLABS_PASSWORD")),
        json=payload,
        timeout=60
    )
    response.raise_for_status()
    # Process response
except requests.exceptions.HTTPError as http_err:
    print(f"HTTP error occurred: {http_err}")
except requests.exceptions.ConnectionError as conn_err:
    print(f"Connection error occurred: {conn_err}")
except requests.exceptions.Timeout as timeout_err:
    print(f"Timeout error occurred: {timeout_err}")
except requests.exceptions.RequestException as req_err:
    print(f"An error occurred: {req_err}")