Crawl4AI：基于AI大语言模型的网络爬虫和数据抓取工具整合包软件下载

Crawl4AI是一款基于AI大语言模型能力的网络爬虫和数据抓取软件，可以将网页转换为简洁、符合 LLM 规范的 Markdown 格式，适用于 RAG、代理和数据管道。它速度快、可控性强。

Crawl4AI官方介绍

开源的 LLM 友好型网络爬虫和抓取工具。

Crawl4AI 将网页转换为简洁、符合 LLM 规范的 Markdown 格式，适用于 RAG、代理和数据管道。它速度快、可控性强，并经过超过 5 万名用户组成的强大社区的实战检验。

✨ v0.7.7 版本新增功能：完整的自托管平台，支持实时监控！企业级监控仪表盘、全面的 REST API、WebSocket 流媒体、智能浏览器池管理以及生产就绪的可观测性。全面掌控您的爬虫基础设施。

/crawl/job✨ 最新 v0.7.6 版本：完善的 Docker 作业队列 API Webhook 基础架构！支持所有端点的实时通知，/llm/job并具备指数退避重试机制、自定义请求头和灵活的发送模式。告别轮询！

✨ 上一版本 v0.7.5：Docker Hooks 系统，提供基于函数的 API 以进行流水线定制；增强了 LLM 与自定义提供程序的集成；支持 HTTPS 协议；并修复了多个社区反馈的错误

Crawl4AI特点

Markdown 生成

• 🧹 Clean Markdown：生成格式准确、结构清晰的 Markdown 文档。
• 🎯 Fit Markdown：基于启发式的过滤，去除噪声和无关部分，以便进行 AI 友好的处理。
• 🔗引文和参考文献：将页面链接转换为带有清晰引文的编号参考文献列表。
• 🛠️自定义策略：用户可以创建自己的 Markdown 生成策略，以满足特定需求。
• 📚 BM25 算法：采用基于 BM25 的过滤方法来提取核心信息并去除无关内容。

结构化数据提取

• 🤖 LLM 驱动提取：支持所有 LLM（开源和专有）进行结构化数据提取。
• 🧱分块策略：实施分块（基于主题、正则表达式、句子级别）以进行有针对性的内容处理。
• 🌌余弦相似度：根据用户查询查找相关的内容块，以进行语义提取。
• 🔎基于 CSS 的数据提取：使用 XPath 和 CSS 选择器快速提取基于模式的数据。
• 🔧模式定义：定义自定义模式，用于从重复模式中提取结构化 JSON。

浏览器集成

• 🖥️管理型浏览器：使用用户拥有的浏览器，完全控制，避免被机器人检测。
• 🔄远程浏览器控制：连接到 Chrome 开发者工具协议，用于远程、大规模数据提取。
• 👤浏览器分析器：创建和管理具有已保存身份验证状态、cookie 和设置的持久配置文件。
• 🔒会话管理：保存浏览器状态并将其重用于多步骤爬取。
• 🧩代理支持：无缝连接代理服务器，并通过身份验证实现安全访问。
• ⚙️完全浏览器控制：修改标头、cookie、用户代理等，以实现定制化的爬虫设置。
• 🌍多浏览器支持：兼容 Chromium、Firefox 和 WebKit。
• 📐动态视口调整：自动调整浏览器视口以匹配页面内容，确保所有元素的完整渲染和捕获。

爬取与抓取

• 🖼️媒体支持：提取图像、音频、视频和响应式图像格式，例如srcset和picture。
• 🚀动态爬取：执行 JS 并等待异步或同步以提取动态内容。
• 📸屏幕截图：在爬取过程中捕获页面屏幕截图，以便进行调试或分析。
• 📂原始数据爬取：直接处理原始 HTML ( raw:) 或本地文件 ( file://)。
• 🔗全面链接提取：提取内部链接、外部链接和嵌入式 iframe 内容。
• 🛠️可自定义钩子：在每个步骤定义钩子以自定义爬取行为（支持基于字符串和函数的 API）。
• 💾缓存：缓存数据以提高速度并避免重复获取。
• 📄元数据提取：从网页中检索结构化元数据。
• 📡 IFrame 内容提取：从嵌入式 iframe 内容中无缝提取。
• 🕵️延迟加载处理：等待图像完全加载，确保不会因延迟加载而丢失任何内容。
• 🔄全页扫描：模拟滚动以加载和捕获所有动态内容，非常适合无限滚动页面。

Crawl4AI整合包使用说明

首先将网盘内的软件压缩包下载到本地电脑上并解压。

双击启动软件.bat，稍等一会就会打开webui操作界面

操作界面做的比较简单，主要做了html转markdown和数据查询功能，但是Crawl4AI本身功能很复杂很强大，后续我还会继续丰富支持的功能

输入URL链接，点击网页转Markdown即可将网页保存为.md格式文档

输入URL链接和任务内容描述，即可在给定的URL及关联URL中查找任务描述内容，结果返回查找内容所在的URL。当前默认快速查找模式，只适合精确匹配内容的知识库类内容查找。AI模式可根据AI的分析智能查找相关内容，无需精确匹配页面关键词，还在优化中暂时未开放。

后台模式控制是否显示执行任务的浏览器窗口

注意事项

整合包只支持windows 10和11

Crawl4AI网络爬虫和数据抓取工具整合包下载链接

https://pan.quark.cn/s/60ceb3fa9a2d

Crawl4AI在线一键启动版

点击使用云镜像>>