- 综合排序
- 最热优先
- 最新优先
- 来自专栏入门到放弃之路
AI新闻爬虫：传统爬虫和XHR异步加密爬虫的碰撞
前言AI的发展日新月异，及时掌握一些AI的消息和妹子聊天时也不至于词穷（不建议和妹子聊技术）。所以这里就以36氪和虎嗅网为例，来讲一下如何爬取AI新闻消息以及数据整合。 36氪和虎嗅网这两个网站新闻爬虫比较具有代表性，36氪是传统的html网页爬虫，虎嗅网是异步api加载加密的爬虫，这里就从简单的36氪讲起。 通过python的requests模块发起请求，最后解析目标数据实现36Kr AI快讯爬虫的代码开发。 如图，新闻数据通过接口请求返回json的方式渲染的，而非36Kr返回的HTML，所以虎嗅网AI新闻咨询爬虫就是一个比较常见的XHR动态加载的爬虫。 结语这就是我使用爬虫爬取AI新闻的过程，使用了两个爬虫中比较常见的典型案例。像这种类别信息的采集，还有更优的程序设计架构。
1.6K50编辑于 2024-03-12 - 来自专栏iSharkFly
AI Bot 爬虫新势力
对使用CloudFlare的用户，可以通过控制台上的配置来查看自己的网址被AI扫描了多少次。针对模型的训练，AI也需要从互联网中不断的获取内容才能对自己进行训练。 针对上面的内容和数据来看，AI的爬取量比较大，可能会超过传统的搜索引擎。
11310编辑于 2025-11-13 - 来自专栏全栈开发那些事
6-8 求二叉树高度 (20分)
本题要求给定二叉树的高度。 函数接口定义： int GetHeight( BinTree BT ); 其中BinTree结构定义如下： typedef struct TNode *Position; typedef Position BinTree; struct TNode{ ElementType Data; BinTree Left; BinTree Right; }; 要求函数返回给定二叉树BT的高度值。 裁判测试程序样例： #include <stdio.h> #inclu
26310编辑于 2023-02-27 AI 爬虫处置实操：用 EdgeOne 一键拦截 20+ 种 AI 爬虫
先说结论：如果你有一个公开可访问的网站，大概率正在被 AI 爬虫批量抓取，而你可能完全不知道。 、Bytespider、CCBot、anthropic-ai 等这些是主流 AI 爬虫的标识某些 Path 的请求量异常高（如 /sitemap.xml、/feed、全站文章页）AI 爬虫倾向于先读 sitemap 二、核心操作：一键开启 AI 爬虫处置确认有 AI 爬虫活动后，接下来开启防护。 ：> - AI 爬虫处置不影响百度蜘蛛、Googlebot 等搜索引擎爬虫——你的 SEO 不会受到任何影响> - 特征库覆盖 20+ 种主流 AI 爬虫，且持续更新> - 所有套餐（含免费版）都能用这个功能立即配置 免费获取完整报告EdgeOne AI 爬虫处置可以解决"已知 AI 爬虫"的问题。但你的站可能还面临其他安全威胁——异常高频访问、恶意扫描、CC 攻击试探等。
16110编辑于 2026-04-27- 来自专栏申龙斌的程序人生
如何在6-8小时之内读完300页的书？
Michigan大学的一位老师Paul N. Edwards写了一篇学术文章《How to Read a Book》，当前已经更新到v5.0版本，个人感觉好过另外一本非常著名的、厚厚的同名书《如何阅读一本书》，英文版原文并不难，链接地址（微信中不让加链接，点击无效，自行下载阅读）： http://pne.people.si.umich.edu/PDF/howtoread.pdf 该书的重要观点： 小说需要按顺序读，但对于非虚构类的书不需要从头到尾按顺序去阅读，而是要跳读、略读、标记，对重点的地方还要仔细地
933100发布于 2018-03-06 - 来自专栏码神联盟
网络爬虫 | Java 实现 AI人工智能技术 - 网络爬虫功能
’，网络爬虫工程师又被亲切的称之为‘虫师’。 网络爬虫概述 网络爬虫（又被称为网页蜘蛛，网络机器人，在FOAF社区中间，更经常的称为网页追逐者），是一种按照一定的规则，自动地抓取万维网信息的程序或者脚本。 网络爬虫原理 网络爬虫原理： Web网络爬虫系统的功能是下载网页数据，为搜索引擎系统提供数据来源。 网络爬虫工作原理： 在网络爬虫的系统框架中，主过程由控制器，解析器，资源库三部分组成。 控制器的主要工作是负责给多线程中的各个爬虫线程分配工作任务。 控制器： 控制器是网络爬虫的中央控制器，它主要是负责根据系统传过来的URL链接，分配一线程，然后启动线程调用爬虫爬取网页的过程。
6K50发布于 2018-07-30 jvm入门3：6-8 本地方法接口+本地方法栈+堆
1一个Native Method是一个java调用非java代码的接口。一个Native Method由java语言实现， 这个特征非java所特有，其他的编程语言都有这个机制，C++的extern告知c++编译器调用c的函数；2在定义一个native method时，并不提供实现体，实体体由java语言在外面实现的；3本地接口的作用是融合不同的编程语言为java所用，初衷为融合c/c++程序
25700编辑于 2025-02-24AI网络爬虫：搜狗图片的时间戳反爬虫应对策略
但是写了爬虫程序后，json数据爬取失败。仔细检查请求头，原来是里面加了时间戳：X-Time4p 是一个自定义的HTTP头部字段，通常用于传递与时间相关的信息。
1K10编辑于 2024-06-23爬虫+动态代理助力 AI 训练数据采集
引言近年来，AI 技术飞速发展，很多朋友都投身于 AI 模型的训练。然而，相较于模型的获取，高质量的数据往往更加难以收集。 借助其代理服务，我们可以显著提高爬虫程序的访问成功率，从而更高效地获取数据，助力 AI 模型的训练。 维基百科是 AI 领域的重要数据来源，广泛用于训练 RoBERTa、XLNet 和 LLaMA 等大模型。 登录以后进入控制台，点击网页抓取API，选择进入到Web爬虫库。Web爬虫库中有各种网站的丰富爬虫应用可以直接使用。 /li/a/text()'): temp})with open('wiki_sport.txt', 'w') as f: f.write(str(result))总结在 AI 训练的道路上，高质量的数据是不可或缺的
57810编辑于 2025-03-19- 来自专栏ytkah
如何屏蔽各大AI公司爬虫User Agent
GPTBot GPTBot 是 OpenAI 使用的网络爬虫，用于下载 LLM（大型语言模型）的训练数据，为 ChatGPT 等人工智能产品提供支持。 cohere-ai 是一个未经确认的代理，可能由 Cohere 的人工智能聊天产品在需要检索互联网内容时根据用户prompts提示派遣。 1%的大站屏蔽了它 User-agent: cohere-ai Disallow: / Google-Extended Google-Extended 是谷歌用来下载人工智能训练内容的网络爬虫，用于其人工智能产品 0%的大站屏蔽了它 User-agent: FacebookBot Disallow: / anthropic-ai anthropic-ai 是一个未经证实的代理，可能是 Anthropic 用来下载 LLM（大型语言模型）训练数据的，比如AI产品Claude。
69710编辑于 2023-12-31 - 来自专栏CSDNToQQCode
软考中级(软件设计师)——操作系统(占6-8分)
软考中级(软件设计师)——操作系统(占6-8分) ---- 目录 软考中级(软件设计师)——操作系统(占6-8分) 主要考点： 1、进程管理 进程的同步与互斥 进程管理-PV操作【******】(超重点
55920编辑于 2022-11-30 - 来自专栏AllTests软件测试
Thunderbit - 新一代AI网页爬虫
而Thunderbit这款AI驱动的网页抓取工具，正以“2步操作”的极简体验，重新定义数据获取的效率，成为销售、运营及项目团队的得力助手。 2、简介 Thunderbit是一款下一代AI网页爬虫工具，核心优势在于AI驱动的智能化数据抓取，无需复杂技术操作，专为销售和运营团队设计，解决数据收集效率低的问题。 （2）AI驱动的数据处理 自然语言交互：用户无需掌握技术知识，只需用自然语言写下所需列名和数据类型（如“商品名称”“价格”“发布时间”），AI即可按照需求提取数据。 点击AI网页爬虫，先选择数据源（当前页面、粘贴链接、文件图片），按当前页面，Thunderbit已经识别到Playground示例页面，之后选择爬虫模板，可使用AI推荐字段或者手动输入，这里点击AI推荐字段 Thunderbit支持定时爬虫。 Thunderbit支持AI自动填表。 工具组件：邮箱提取器。 工具组件：电话号码提取器。 工具组件：图片提取器。
1.3K10编辑于 2025-11-18 - 来自专栏Dance with GenAI
AI网络爬虫：批量爬取AI导航网站Futurepedia数据
Futurepedia致力于使AI技术对各行各业的专业人士更加可理解和实用，提供全面的AI网站和工具目录、易于遵循的指南、每周新闻通讯和信息丰富的YouTube频道，简化AI在专业实践中的整合。 如何把Futurepedia上的全部AI网站数据爬取下来呢？ 网站一页有12个AI工具介绍，根据网站说明：We've categorized 5571 AI tools into 10 categories.，估计一共有465页。
42110编辑于 2024-06-24 - 来自专栏AI机器学习与深度学习算法
机器学习入门 6-8 如何确定梯度计算的准确性 调试梯度下降
本系列是《玩转机器学习教程》一个整理的视频笔记。本小节主要介绍梯度的调试，应用梯度下降法最主要的就是计算梯度，但很有可能计算梯度程序没有错但是求得的梯度是错误的，这个时候就需要使用梯度调试的方式来发现错误。
1.2K00发布于 2019-11-13 - 来自专栏Dance with GenAI
AI网络爬虫：用deepseek批量提取天工AI的智能体数据
天工AI的智能体首页： F12查看真实网址和响应数据： 翻页规律： https://work.tiangong.cn/agents_api/square/sq_list_by_category? , "icon": "https://static-recommend-img.tiangong.cn/ai-text-gen-image/agent-backgroud_9783755_1803007243774124032
64510编辑于 2024-07-10 - 来自专栏爬虫资料
多模态AI爬虫：文本+图像智能抓取实战
一个AI模型训练任务引发的爬虫危机上个月，公司AI组向我们数据组提出一个“看似简单”的需求：训练一个能识别商品种类的多模态模型，数据来源不限，但要求包含图像 + 商品文本 + 价格 + 折扣信息。 我心里一沉——亚马逊，图文混合，反爬一流，这可不是普通爬虫能搞定的活。 多模态AI爬虫的架构搭建与实战代码我们拆解了需求，决定使用 requests + lxml + Pillow，结合爬虫代理IP服务，实现一个具备图像和文本提取能力的智能爬虫。 k={quote(keyword)}"# 设置爬虫代理（参考亿牛云爬虫加强版示例）proxies = { "http": "http://用户名:密码@代理域名:端口", "https": 这次经历也启发我们后续开发了一套自动化“关键词 → 多模态样本”生成工具，真正走上了AI时代下数据爬虫的新台阶。
49010编辑于 2025-06-12 - 来自专栏Dance with GenAI
AI网络爬虫：对网页指定区域批量截图
10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36 找到Excel文件："F:\AI 对打开的网页进行截图，截图的区域是屏幕左上角：（X: 0,y:80），屏幕右下角：（X:1495,y:987）； 截图保存为png图片格式，用{pictitle}作为图片文件名，保存到文件夹：“F:\AI AppleWebKit/537.36 (KHTML, like Gecko) Chrome/124.0.0.0 Safari/537.36" # 读取Excel文件 excel_path = "F:\AI 自媒体内容\课程列表.xlsx" df = pd.read_excel(excel_path) # 设置截图保存的文件夹 save_folder = "F:\AI自媒体内容\\" # 初始化undetected_chromedriver
46410编辑于 2024-06-24 - 来自专栏编程教程
代理IP在AI爬虫中的关键应用
在大数据时代，AI爬虫成为了获取和分析网络数据的重要工具。然而，爬虫在采集数据的过程中经常面临反爬虫机制的挑战。这时，代理IP的作用显得尤为重要。 一、AI爬虫的基本原理与挑战 AI爬虫结合了传统的网页爬虫技术和人工智能算法，通过学习和适应来优化数据抓取过程。 AI爬虫使用HTML解析器提取有用的信息，并根据预设策略和AI算法确定哪些链接值得进一步抓取。 然而，在实际操作中，AI爬虫面临的主要挑战之一是目标网站的反爬虫机制。 三、代理IP在AI爬虫中的关键应用 1.避免IP被封禁 AI爬虫在运行过程中，很容易被目标网站检测到异常行为，从而导致IP被封禁。 通过合理利用代理IP，AI爬虫能够更智能、更高效地进行数据抓取和分析，为大数据应用提供有力的支持。随着技术的不断发展，代理IP在AI爬虫中的应用将更加广泛和深入。
41410编辑于 2025-08-28 企业级 AI Agent 亚马逊选品架构指南：如何通过实时数据集成规避“过期数据”风险
驱动的方案：评估维度传统SaaS静态集成实时API驱动架构(Pangolinfo)数据时效性延迟7-30天分钟级同步商业验证盲目相信过往历史基于最新BSR、Review、PPC动态验证反爬风控与成本自建爬虫成本极高 这使得企业能在亚马逊站内爆发的6-8周前，提前锁定例如“3D浮雕质感”等长尾、高溢价需求。2.核心实时数据层：分钟级业务验证这是整个系统的中枢。 成本效益分析对于出海企业而言，自己组建数十人的爬虫团队专门攻克亚马逊高强度的反爬与风控，年成本动辄百万元，且无法保证极速更新。 总结在AI时代，大模型只是算力的大脑，真正决定企业决策质量的，是作为眼睛的“实时数据”。构建基于分钟级API调用的高敏捷Agent选品平台，是跨境企业赢得下半场竞争的核心护城河。
12110编辑于 2026-05-11- 来自专栏爬虫资料
Serverless+Playwright的组合值得用吗？我们做了个测试
——从一次冷启动事故开始谈如果说过去的爬虫架构像一辆固定路线的公交车，那么Serverless的出现，让开发者突然拥有了“随叫随到的无人驾驶出租车”。 09:11——出现第一批错误运行时延开始从原本6-8秒增长到15秒以上，日志里出现NavigationTimeout。 awaitbrowser.close()awaitplaywright.stop()returnresultsif__name__=="__main__":print(asyncio.run(crawl("AI 爬虫")))最后的结论Serverless不是爬虫的终极答案，但它绝不是一个伪需求。 换句话说，Serverless爬虫能走多远，不取决于云服务，而取决于架构是否适配它的运行逻辑。
28400编辑于 2025-12-09
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号