ChatGPT Crawler：一个开源的网页抓取工具

GPT Crawler是一个开源项目，它通过简单配置，能够自动抓取网页文本信息，生成文本文件。这些文件可以上传至OpenAI，用于自定义Assistant，实现多种集成应用。本文将详细介绍如何使用GPT Crawler，包括安装、配置、启动爬虫，并结合OpenAI进行应用。

安装教程

克隆仓库

首先，需要安装Node.js（版本≥16），然后执行以下命令以克隆GPT Crawler仓库：

git clone https://github.com/builderio/gpt-crawler

安装依赖

在克隆的仓库中，运行以下命令安装所需依赖：

npm i
# 安装 Playwright
npx playwright install

配置爬虫

GPT Crawler的核心在于配置，主要包括目标网站的起始网址、继续抓取的页面链接的URL规则、以及页面中提取文本信息的CSS选择器。

配置CSS选择器

以下是一个示例配置，用于抓取阮一峰老师的TypeScript教程：

export const config: Config = {
  url: "https://wangdoc.com/typescript/",
  match: "https://wangdoc.com/typescript/**",
  selector: `body > section > div > div:nth-child(1) > div.column.is-8.is-6-widescreen.is-offset-1-widescreen > article`,
  maxPagesToCrawl: 50,
  outputFileName: "output1.json",
};

启动爬虫

完成配置后，运行以下命令以启动爬虫：

npm start

程序将在项目根目录生成output.json文件。

github_ai_tool_gpt_crawler_1

将您的数据上传到 OpenAI

要将生成的文本文件用于自定义Assistant，首先需要一个OpenAI账户。上传output.json文件至OpenAI后，可以创建一个Assistant，并通过OpenAI的API集成至自己的系统。

实际案例

以创建一个自定义Assistant为例，操作步骤如下：

访问OpenAI的自定义Assistants页面。
创建一个新的Assistant。
上传output.json文件。
根据需要配置其他选项。

完成以上步骤后，就可以开始测试Assistant了。

github_ai_tool_gpt_crawler_2

GPT Crawler是一个功能强大且易于使用的工具，可以快速从网页抓取文本信息，为自定义AI Assistant提供知识库。通过结合OpenAI的API，可以实现多种创新应用，如自动化客服、个性化信息提供等。这个项目为开发者提供了一个简便的方式来扩展和定制他们的AI应用，是值得探索和利用的资源。