Skip to main content

Apify

Apify数据集是一个可扩展的追加存储，用于存储结构化的网络爬取结果，例如产品列表或Google SERP，并将其导出为JSON、CSV或Excel等各种格式。数据集主要用于保存Apify Actors的结果，Apify Actors是用于各种网络爬取、抓取和数据提取用例的无服务器云程序。

本笔记本展示了如何将Apify数据集加载到LangChain中。

先决条件​

您需要在Apify平台上拥有一个现有的数据集。如果您没有，请先查看此笔记本，了解如何使用Apify从文档、知识库、帮助中心或博客中提取内容。

#!pip install apify-client

首先，在您的源代码中导入ApifyDatasetLoader：

from langchain.document_loaders import ApifyDatasetLoader
from langchain.document_loaders.base import Document

然后提供一个将Apify数据集记录字段映射到LangChain Document格式的函数。

例如，如果您的数据集项结构如下：

{
    "url": "https://apify.com",
    "text": "Apify is the best web scraping and automation platform."
}

下面代码中的映射函数将把它们转换为LangChain Document格式，以便您可以进一步使用任何LLM模型（例如用于问答）。

loader = ApifyDatasetLoader(
    dataset_id="your-dataset-id",
    dataset_mapping_function=lambda dataset_item: Document(
        page_content=dataset_item["text"], metadata={"source": dataset_item["url"]}
    ),
)
data = loader.load()

问答示例​

在这个示例中，我们使用数据集中的数据来回答一个问题。

from langchain.docstore.document import Document
from langchain.document_loaders import ApifyDatasetLoader
from langchain.indexes import VectorstoreIndexCreator
loader = ApifyDatasetLoader(
    dataset_id="your-dataset-id",
    dataset_mapping_function=lambda item: Document(
        page_content=item["text"] or "", metadata={"source": item["url"]}
    ),
)
index = VectorstoreIndexCreator().from_loaders([loader])
query = "What is Apify?"
result = index.query_with_sources(query)
print(result["answer"])
print(result["sources"])
     Apify是一个用于开发、运行和共享无服务器云程序的平台。它使用户能够创建网络爬取和自动化工具，并在Apify平台上发布它们。
    
    https://docs.apify.com/platform/actors, https://docs.apify.com/platform/actors/running/actors-in-store, https://docs.apify.com/platform/security, https://docs.apify.com/platform/actors/examples