langchain_community.document_loaders.web_base.WebBaseLoader

class langchain_community.document_loaders.web_base.WebBaseLoader(web_path: Union[str, Sequence[str]] = '', header_template: Optional[dict] = None, verify_ssl: bool = True, proxies: Optional[dict] = None, continue_on_failure: bool = False, autoset_encoding: bool = True, encoding: Optional[str] = None, web_paths: Sequence[str] = (), requests_per_second: int = 2, default_parser: str = 'html.parser', requests_kwargs: Optional[Dict[str, Any]] = None, raise_for_status: bool = False, bs_get_text_kwargs: Optional[Dict[str, Any]] = None, bs_kwargs: Optional[Dict[str, Any]] = None, session: Any = None)[source]

使用`urllib`加载HTML页面，并使用`BeautifulSoup`解析它们。

初始化加载器。

参数：

web_paths：要加载的Web路径。 requests_per_second：要发出的最大并发请求数。 default_parser：用于BeautifulSoup的默认解析器。 requests_kwargs：requests的kwargs。 raise_for_status：如果http状态码表示错误，则引发异常。 bs_get_text_kwargs：beatifulsoup4 get_text的kwargs。 bs_kwargs：beatifulsoup4网页解析的kwargs。

Attributes

web_path

Methods

__init__([web_path, header_template, ...])

初始化加载器。

alazy_load()

一个用于文档的惰性加载器。

aload()

从web_path中的URL异步加载文本到Documents中。

fetch_all(urls)

以限制速率并发获取所有URL。

lazy_load()

从web_path中的url(s)中延迟加载文本。

load()

将数据加载到文档对象中。

load_and_split([text_splitter])

加载文档并分割成块。块作为文档返回。

scrape([parser])

从网页中抓取数据并以BeautifulSoup格式返回。

scrape_all(urls[, parser])

获取所有的URL，然后返回所有结果的网页源代码。
Parameters

  • web_path (Union[str, Sequence[str]]) –

  • header_template (Optional[dict]) –

  • verify_ssl (bool) –

  • proxies (Optional[dict]) –

  • continue_on_failure (bool) –

  • autoset_encoding (bool) –

  • encoding (Optional[str]) –

  • web_paths (Sequence[str]) –

  • requests_per_second (int) –

  • default_parser (str) –

  • requests_kwargs (Optional[Dict[str, Any]]) –

  • raise_for_status (bool) –

  • bs_get_text_kwargs (Optional[Dict[str, Any]]) –

  • bs_kwargs (Optional[Dict[str, Any]]) –

  • session (Any) –

Return type

None

__init__(web_path: Union[str, Sequence[str]] = '', header_template: Optional[dict] = None, verify_ssl: bool = True, proxies: Optional[dict] = None, continue_on_failure: bool = False, autoset_encoding: bool = True, encoding: Optional[str] = None, web_paths: Sequence[str] = (), requests_per_second: int = 2, default_parser: str = 'html.parser', requests_kwargs: Optional[Dict[str, Any]] = None, raise_for_status: bool = False, bs_get_text_kwargs: Optional[Dict[str, Any]] = None, bs_kwargs: Optional[Dict[str, Any]] = None, session: Any = None) → None[source]

初始化加载器。

参数：

web_paths：要加载的Web路径。 requests_per_second：要发出的最大并发请求数。 default_parser：用于BeautifulSoup的默认解析器。 requests_kwargs：requests的kwargs。 raise_for_status：如果http状态码表示错误，则引发异常。 bs_get_text_kwargs：beatifulsoup4 get_text的kwargs。 bs_kwargs：beatifulsoup4网页解析的kwargs。

Parameters

  • web_path (Union[str, Sequence[str]]) –

  • header_template (Optional[dict]) –

  • verify_ssl (bool) –

  • proxies (Optional[dict]) –

  • continue_on_failure (bool) –

  • autoset_encoding (bool) –

  • encoding (Optional[str]) –

  • web_paths (Sequence[str]) –

  • requests_per_second (int) –

  • default_parser (str) –

  • requests_kwargs (Optional[Dict[str, Any]]) –

  • raise_for_status (bool) –

  • bs_get_text_kwargs (Optional[Dict[str, Any]]) –

  • bs_kwargs (Optional[Dict[str, Any]]) –

  • session (Any) –

Return type

None

async alazy_load() → AsyncIterator[Document]

一个用于文档的惰性加载器。

Return type

AsyncIterator[Document]

aload() → List[Document][source]

从web_path中的URL异步加载文本到Documents中。

Return type

List[Document]

async fetch_all(urls: List[str]) → Any[source]

以限制速率并发获取所有URL。

Parameters

urls (List[str]) –

Return type

Any

lazy_load() → Iterator[Document][source]

从web_path中的url(s)中延迟加载文本。

Return type

Iterator[Document]

load() → List[Document]

将数据加载到文档对象中。

Return type

List[Document]

load_and_split(text_splitter: Optional[TextSplitter] = None) → List[Document]

加载文档并分割成块。块作为文档返回。

不要覆盖此方法。应该被视为已弃用！

参数：
text_splitter: 用于分割文档的TextSplitter实例。

默认为RecursiveCharacterTextSplitter。

返回：

文档列表。

Parameters

text_splitter (Optional[TextSplitter]) –

Return type

List[Document]

scrape(parser: Optional[str] = None) → Any[source]

从网页中抓取数据并以BeautifulSoup格式返回。

Parameters

parser (Optional[str]) –

Return type

Any

scrape_all(urls: List[str], parser: Optional[str] = None) → List[Any][source]

获取所有的URL，然后返回所有结果的网页源代码。

Parameters

  • urls (List[str]) –

  • parser (Optional[str]) –

Return type

List[Any]

Examples using WebBaseLoader