gpt-crawler Ai训练数据专用爬虫-开源码库社区-开源分享-6协议-村兔网

gpt-crawler Ai训练数据专用爬虫

GPT爬虫

爬取网站生成知识文件,从一个或多个URL创建自定义GPT

展示爬行跑的动图

  • 开始
    • 本地运营
      • 克隆仓库
      • 安装依赖
      • 配置爬虫
      • 启动你的履带车
    • 替代方法
      • 在容器中运行 Docker
      • 作为 API 运行
    • 将您的数据上传到 OpenAI
      • 创建自定义GPT
      • 创建一个自定义助手
  • 贡献

这里有一个我快速制作的自定义GPT,只需提供构建器文档的网址,就能帮助回答如何使用和集成 Builder.io 的问题。

这个项目爬取了文档并生成了我上传的文件,作为自定义GPT的基础。

你可以自己试试,问问如何将 Builder.io 集成到网站里。

请注意,您可能需要付费的ChatGPT套餐才能访问此功能

开始

本地运营

克隆仓库

确保你安装了Node.js >= 16。

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

安装依赖

npm i

配置爬虫

打开config.ts并编辑和属性以符合你的需求。urlselector

例如,爬取 Builder.io 文档制作我们的定制GPT,你可以使用:

export const defaultConfig: Config = {
  url: "https://www.builder.io/c/docs/developers",
  match: "https://www.builder.io/c/docs/**",
  selector: `.docs-builder-container`,
  maxPagesToCrawl: 50,
  outputFileName: "output.json",
};

所有可用选项请参见 config.ts。以下是常见配置选项的示例:

type Config = {
  /** URL to start the crawl, if sitemap is provided then it will be used instead and download all pages in the sitemap */
  url: string;
  /** Pattern to match against for links on a page to subsequently crawl */
  match: string;
  /** Selector to grab the inner text from */
  selector: string;
  /** Don't crawl more than this many pages */
  maxPagesToCrawl: number;
  /** File name for the finished data */
  outputFileName: string;
  /** Optional resources to exclude
   *
   * @example
   * ['png','jpg','jpeg','gif','svg','css','js','ico','woff','woff2','ttf','eot','otf','mp4','mp3','webm','ogg','wav','flac','aac','zip','tar','gz','rar','7z','exe','dmg','apk','csv','xls','xlsx','doc','docx','pdf','epub','iso','dmg','bin','ppt','pptx','odt','avi','mkv','xml','json','yml','yaml','rss','atom','swf','txt','dart','webp','bmp','tif','psd','ai','indd','eps','ps','zipx','srt','wasm','m4v','m4a','webp','weba','m4b','opus','ogv','ogm','oga','spx','ogx','flv','3gp','3g2','jxr','wdp','jng','hief','avif','apng','avifs','heif','heic','cur','ico','ani','jp2','jpm','jpx','mj2','wmv','wma','aac','tif','tiff','mpg','mpeg','mov','avi','wmv','flv','swf','mkv','m4v','m4p','m4b','m4r','m4a','mp3','wav','wma','ogg','oga','webm','3gp','3g2','flac','spx','amr','mid','midi','mka','dts','ac3','eac3','weba','m3u','m3u8','ts','wpl','pls','vob','ifo','bup','svcd','drc','dsm','dsv','dsa','dss','vivo','ivf','dvd','fli','flc','flic','flic','mng','asf','m2v','asx','ram','ra','rm','rpm','roq','smi','smil','wmf','wmz','wmd','wvx','wmx','movie','wri','ins','isp','acsm','djvu','fb2','xps','oxps','ps','eps','ai','prn','svg','dwg','dxf','ttf','fnt','fon','otf','cab']
   */
  resourceExclusions?: string[];
  /** Optional maximum file size in megabytes to include in the output file */
  maxFileSize?: number;
  /** Optional maximum number tokens to include in the output file */
  maxTokens?: number;
};

启动你的履带车

npm start

替代方法

在容器中运行 Docker

要获得带有容器化执行的 ,进入目录并如上所述修改 。文件应该在数据文件夹中生成。注意:目录文件中的属性已配置为与容器兼容。output.jsoncontainerappconfig.tsoutput.jsonoutputFileNameconfig.tscontainerapp

作为 API 运行

要把应用当作 API 服务器运行,你需要先安装依赖。服务器是用 Express JS 编写的。npm install

运行服务器。

npm run start:server启动服务器。服务器默认运行在3000端口。

你可以用带有 post request 主体的端点 config json 来运行爬虫。API 文档在端点上提供,使用 Swagger 服务。/crawl/api-docs

要修改环境,你可以复制 to 并设置端口等数值来覆盖服务器变量。.env.example.env

将您的数据上传到 OpenAI

爬取会生成一个调用该项目根的文件。把它上传到OpenAI,创建你的定制助手或自定义GPT。output.json

创建自定义GPT

使用这个选项,用户可以访问你生成的知识,方便与他人分享

注意:你现在可能需要付费的 ChatGPT 计划来创建和使用自定义 GPT

  1. 去 https://chat.openai.com/
  2. 点击左下角你的名字
  3. 在菜单中选择“我的GPT”
  4. 选择“创建GPT”
  5. 选择“配置”
  6. 在“知识”中选择“上传文件”,上传你生成的文件
  7. 如果出现文件太大的错误,你可以尝试将其拆分成多个文件,分别上传,使用config.ts文件中的 maxFileSize 选项,或者用 Tokenization 来减少文件大小,config.ts 文件中的 maxTokens 选项

上传自定义GPT的动图

创建一个自定义助手

使用这个选项,获取你生成的知识的API访问权限,并将其集成到你的产品中。

  1. 去 https://platform.openai.com/assistants
  2. 点击“+ 创建”
  3. 选择“上传”,上传你生成的文件

如何上传给助理的动图

 

请登录后发表评论

    没有回复内容